微震信号属于典型的非线性、低信噪比信号，包含岩石破裂信号、爆破信号、机械震动和其他施工噪声信号。近年来，微震监测技术作为有效的地压监测手段，被广泛地应用于滑坡监测和煤矿安全高效生产领域。微震信号的检测与识别是微震监测技术的关键，主要分为微震信号预处理、信号特征提取、信号模式识别三大模块。
　　微震信号预处理常采用短时傅里叶变换、小波变换、S变换等时频变换方法，这些方法可以全面有效地保留信号的时频信息，但是会受到海森堡效应的影响，时频分辨能力有限。时频重排可以有效地聚集时频能量，突出信号的主要时频分量，抑制噪声信号分量，从而达到提高信号时频分辨率的目的。本论文将重排变换思想融入到S变换的时频分析中，提出重排S变换（RST）。
　　微震信号的时频矩阵具有数据量大、特征集成度不高的特点，不能满足微震信号精确识别的需求。本论文采用数据挖掘方法进一步提取时频矩阵所隐含的信息特征。通过分析特征矩阵的统计特征—标准差、导数、相关系数，得出特征矩阵所含可识别信号特征的集成度，最终选取非负矩阵分解算法为微震信号特征提取的最优算法。
　　非负矩阵分解得到的低维矩阵具有非负性和稀疏性，能够有效保留数据的内在联系，并在一定程度上抑制外界环境的干扰。但是在工程应用中，特征矩阵的稀疏性使得微震信号在识别中存在过拟合的现象。针对此问题，本论文对特征矩阵进行 1∶60再采样，达到降低特征矩阵稀疏性的目的，同时还进一步突出了特征矩阵的细节信息，经实验验证，该方法能够有效避免过拟合现象的发生。
　　为了检验算法性能，选取在三道沟井田做工程实验。为了测试 RST 的优越性，本文选取与S变换做对比；为了证明RST-NMF的优越性，本文分别与局部特征尺度分解法（LCD）、局部均值分解法（LMD）做对比。实验证明：RST时频分析方法对频域分散的能量团有很好的聚集性，时频矩阵经NMF分解最大程度上获取微震信号的局部特征和内在联系，保证了信号特征空间的完备性，有效地避免了过拟合现象的发生。采用BP神经网络分类器和支持向量机分类器分别验证，分类准确率均达到了95%。