随着我国地震相关工作的快速发展,从各地获取的地震事件信号数量不断增加。针对地震事件的后续研究,对获取的地震信号进行分类工作的能力也需要提高,不同种类的地震引起的震动信号的响应时间和能量等指标均有所差异,分类难度较高。传统地震监测系统只能通过波形的低维度的特征进行分析,从而对地震信号进行识别并分类。但随着人们对数据的收集能力逐年提高,大数据和人工智能也被应用在了处理巨量数据上面,采用最新的信息技术来代替传统的方法,发展高效、高精度、普适性强的事件分类算法在地震大数据时代背景下显越来越重要。因此,本文针对如上这些问题,提出了基于小波包分解和深度学习的地震事件分类系统。本文查阅和分析了国内外许多的文献,发现了其中的一些不足。现有的地震监测系统总体结构比较全面、功能相对齐全,包含有数据接收、数据查询和到时拾取等,而事件分类等功能还少有涉及。本文针对地震事件分类提出了基于深度学习的地震事件分类系统,包含有系统管理模块、数据处理模块、到时拾取模块和事件分类模块。针对地震事件分类问题,本文提出了基于小波包分解的深度学习模型对地震事件进行分类。将原始信号使用小波包处理后,在输入到卷积神经网络提取采样点特征,在输入到循环神经网络中提取其点与点之间的时序特征。经过实验验证,这两种相较于传统的算法精度以及抗噪性都有了一定程度的提高,对于地震事件分类的研究提供了一定的现实意义。地震事件分类系统基于地震事件处理需求进行开发,在此基础之上采用Python,My SQL等相关语言作为主要开发语言,除了有分类功能外还包含有滤波和到时拾取等其他功能,事件分类为本系统主要功能和核心技术。现实中,不同台站对不同的地震事件采样点数各不相同,在现有的分类算法中基本都是截取固定的点数,本文使用小波包分解重构使地震事件保持其特征的情况下达到采样点数相同。根据需求和详细设计,对各个模块的功能点进行了实现和测试,保证系统达到预期设计的设计目标,同时能够满足使用者用户的需求,保证系统的后续开发与维护更加高效。