地震信号识别相关研究在不断提高采集信号的信噪比和数字记录技术的推动下得到了长足的发展。但是,这种传统的地震信号识别方式是建立在基于已知能区分不同信号之间异同特征的因果逻辑上,只关注所谓的“有效信号”,压制噪声,选取能表达大部分地震信号信息的特征进行信号识别,忽略了信号的完整性表述。随着深度学习和大数据技术的发展,通过运用大数据驱动的深度神经网络技术挖掘地震信号数据中“不知道自己不知道”的隐含着的丰富物性参数信息,建立一套地震信号参数表征模型,研究地震信号与其它非相干信号之间的差异,实现对地震信号的识别成为可能。深度神经网络是一种具有多隐藏层结构的神经网络,具有高阶的抽象刻画能力,自动提取数据本质特征,无需人工干预等特点,已成功应用于生产生活中的各个领域,如语音识别、图像识别、自动驾驶和目标检测等。基于深度神经网络的以上优点,本文给出了一种新的基于深度神经网络模型的地震信号识别方法,与传统的地震信号识别方法相比,该方法精度更高,模型鲁棒性更强。下面给出本文的具体研究内容:(1)为减少人工干预信号特征提取过程造成的影响,基于Le Net5卷积神经网络模型,提出基于地震信号的卷积神经网络QConv Net(Quake Convolutional Neural Networks)识别模型。实验中将美国国家地质调查局地震监测目录下的公开地震信号数据集作为实验数据,使用序列型的三通道地震波形数据作为QConv Net神经网络模型的输入,实验结果与支持向量机、决策树以及逻辑斯蒂回归等传统机器学习模型实验结果进行对比,在准确率、召回率和F1-score三个评价指标上都更为优异,展现了良好的二分类效果。(2)为进一步提高深度神经网络模型在地震信号识别的性能,在QConv Net神经网络模型的基础上,通过引入残差模块、多尺度模块和收缩模块三种优化结构,提出基于多尺度模块和收缩模块混合的残差神经网络模型DRISN(Deep Residual Inception Shrinkage Network)。为验证该网络模型在地震信号识别中的性能,实验使用地震信号语谱图数据作为输入,将DRISN与引入收缩模块的残差神经网络DRSN(Deep Residual Shrinkage Network)等深度神经网络模型进行对比实验,DRISN模型在地震信号识别实验中的识别准确率最高可达95.62%,较其它实验模型有更好的识别性能和更高的准确率,说明了此模型在地震信号识别任务中的有效性。