从既有地震灾害现象看,相较于普通远场地震动,近断层地震动对工程结构造成的破坏性更大,原因在于速度脉冲的影响。因此,在近断层脉冲型地震动工程领域,首要工作就是识别出含有速度脉冲的地震动。本文从特征学习的角度出发,采用BP神经网络建立识别模型,对近断层速度脉冲型地震动进行量化识别。本文首先对目前三种主要的速度脉冲型记录识别方法进行了分析和比较,认为既有方法虽然在脉冲形状不规则、多脉冲等情形下具有良好的识别效果,仍存在依赖IMF基本形状,部分参数取值存在经验性的问题。由此,本文将本征模态向量重构和BP神经网络算法结合,提出一套利用机器学习识别速度脉冲型地震记录的方法。该方法以特征学习流程为载体,能够基于数据自驱动提取速度峰值的对应的脉冲能量和周期等相关参数,并以指定的网络误差为模型目标,实现有效的速度脉冲型地震记录识别。在上述方法的基本框架上,参考了动量因子和自适应调节学习率的影响,优化了训练过程,同时对比了不同的激励函数对速度脉冲型记录识别的效果。本文将预处理后的地震动速度时程作为神经网络模型的输入,结合梯度下降的学习规则,建立对应的神经网络识别模型,并将计算结果与基于EMD识别方法在相同样本下的识别结果进行对比分析。结果表明:神经网络对样本具有良好的识别能力,在一定程度上能够有效的提取特征识别地震动类型。本文提出的算法有助于量化筛选并建立速度脉冲型地震动数据库,对完善基于概率的地震危险性分析和中长周期结构的地震安全性分析有促进作用。