精确地对地震波P波和S波的初至到时进行拾取,对于地震的精确定位、地震孕震机制的解释等具有很大的意义。单纯地依靠地震学专家进行分析会耗费大量的人力和时间,因此迫切需要一种自动化的方法来进行地震波初至到时的识别与拾取。近年来,深度学习被广泛应用到了各行各业,其中,卷积神经网络在地震波初至到时拾取中的应用研究受到了研究人员的广泛关注。相较于传统方法,卷积神经网络不需要人工提取特征,可以自动进行特征提取并得到最优解,并且卷积神经网络可以解决传统方法的拾取误差大和模型泛化性不好的问题,因此本文基于此进行深入研究。本文以2020微软“创新杯”中国赛区地震主题竞赛数据和山西台站地震数据为研究数据,利用卷积神经网络对地震波P波和S波初至到时进行拾取,将预处理后的三分量地震波形数据输入到卷积神经网络中进行训练和测试,使用查全率、查准率和F1分数对模型进行评估,并与传统的STA/LTA和U-Net模型进行对比,最后使用山西台站地震数据对模型进行泛化性验证。本文的主要研究结论如下:（1）利用卷积神经网络进行地震波P波和S波初至到时拾取,与传统的STA/LTA相比,卷积神经网络的方法不用人工设定阈值和人工选取特征函数,只依靠卷积神经网络自动提取波形特征,并且模型具有很好的泛化性。（2）结合Residual Unit和U-Net的优点,提出了R-Unet模型。R-Unet模型将传统的U-Net的下采样部分与残差单元相结合,利用卷积操作替换下采样过程中的池化层以减少地震波形高频信息的损失,并且使用长连接和残差连接将低层信息特征和高层信息特征有效结合起来,降低网络在进行特征提取和特征还原时带来的信息丢失。使用R-Unet模型对地震波P波和S波的初至到时进行拾取,将R-Unet模型与传统的STA/LTA和U-Net进行对比分析,R-Unet的P波查准率为91.4%,S波的查准率为84.5%,P波查全率为87.4%,S波查全率为79.6%,均高于传统的STA/LTA和U-Net模型。（3）对Unet++模型进行改进,提出了Unet PP模型。Unet PP模型将传统的U-Net的中心进行填充,综合1至4层的1D U-Net,将长连接与短连接进行结合,可以更好的提取地震波P波和S波中不同层次和不同尺度的地震波形特征,降低下采样所来的地震信息损失。调整噪声、P波和S波的权重,分配给S波更高的权重,以增加S波初至到时的识别精确率。将Unet PP模型与传统的STA/LTA、U-Net和R-Unet模型进行对比分析,Unet PP模型的P波查准率为97.7%,S波的查准率为96.4%,P波查全率为95.3%,S波查全率为90.4%,均高于传统的STA/LTA和U-Net模型。虽然Unet PP相较于R-Unet增加了训练时间,但是模型进行地震波P波和S波初至拾取的精度增加了,其中P波增加了6.3%,S波增加了11.9%。（4）使用来自山西8个台站的179条地震数据进行模型泛化性验证。结果表明,本文提出的R-Unet模型和Unet PP模型都有较小的拾取误差,其中R-Unet模型的P波初至到时拾取误差为0.58s,S波初至到时拾取误差为0.91s;Unet PP模型的P波初至到时拾取误差为0.39s,S波初至到时拾取误差为0.46s,与地震学专家标注的P波初至到时和S波的初至到时误差均小于1s,本文的模型在山西台站数据上有良好的泛化性。本文的研究成果可以为以后地震波P波和S波的初至到时拾取提供一种新思路,从而更加准确地对P波和S波的初至到时进行拾取,有望对地震的定位,地震孕震机制的解释提供技术支持。