随着科技的不断发展与进步,时间序列数据作为一种重要的结构化数据形式已经被广泛地应用在金融、煤矿、医学等众多领域中。近年来,煤矿领域信息化技术正在迅速发展,随着煤矿开采面积及深度的扩大和增加以及微震监测系统的广泛使用,监测到的大能量微震事件也在逐年增加,这种大能量的微震事件往往会导致煤矿事故的发生。然而,不同类型的煤矿事故对矿区的危害程度又具有较大差异。因此,如何对微震时间序列数据进行有效分类已成为时间序列数据领域研究的热点问题。由于微震时间序列数据具有幅值较大、维度较高的特点,且通常伴有复杂、干扰性较强的环境噪声,传统的去噪方法在对其进行去噪时往往存在去噪效果不明显且重构信号失真等现象。此外,对微震时间序列数据进行分类时,传统机器学习分类方法往往存在分类精度较低、效率不高的缺陷。针对目前方法存在的不足,提出了基于小波和ELM的微震时间序列数据加权集成分类方法（Wavelet Dynamic Particle Swarm Optimization Random Technology Extreme Learning Machine,WA-DPSO-RTELM）,其首先通过小波去噪方法对数据进行清洗来去除环境噪声,又通过对去除噪声后的数据构建改进ELM分类器,再对改进后的ELM分类器权重进行优化,最终实现加权集成分类。本文的主要研究工作如下:（1）针对微震时间序列数据中所含有的噪声,并基于小波去噪方法具有较高的时频分辨率,提出了一种改进的小波阈值函数,通过改进小波阈值函数处理小波系数,又针对微震时间序列数据的多样性,对小波系数进行自适应优化,最后对小波系数重构得到去噪后的微震时间序列数据。（2）针对去噪后的微震时间序列数据分类问题,本文提出了一种有效选取ELM基分类器的方法。首先,利用随机均匀提取算法,训练ELM的隐藏层节点数量,计算得到不同隐藏层节点数量下的预测标签,并选出平均分类准确率值高于给定阈值的隐藏层节点数量所对应的ELM构建初始基分类器,进而对ELM基分类器的参数进行优化,最终得到优化后的ELM基分类器。（3）针对微震时间序列数据维度高、幅值较大的特性,导致单个基分类器分类时出现预测精度较低、稳定性较差的问题,本文提出了ELM基分类器权值优化方法。该方法考虑到粒子群（Particle Swarm Optimization,PSO）算法操作方便、运行效率高等特点,同时考虑到各个ELM基分类器之间存在的信息互补性,通过PSO算法不断优化每个ELM基分类器的权值,对微震时间序列数据进行加权集成分类。（4）在多组真实数据集和仿真数据集上进行实验验证,并从去噪方法的信噪比值、均方差值以及分类方法的分类精度和分类效率四个方面与多种先进算法进行对比,证明了本文方法的有效性。