震级估算是地震预警中的重要工作,地震影响范围判断、地震预警信息发布等都依赖于震级快速估算的结果,震级也是地震预警系统对外发布预警信息的重要参数之一。地震预警由于时效性的要求,确定地震震级不能等待整个地震结束之后才开始,需利用P波初期信息立即开始震级预测,并随着数据的增加实时更新震级预测值,以获得更加准确合理的结果,传统方法由于只采用单一地震波初期特征参数建立线性统计关系预测最终震级,离散性大,特别是小震高估大震低估问题亟待解决。本文针对上述地震预警震级预测存在的问题,以更准确估算地震预警震级为目标,利用日本K-net强震动台网未做信噪比与震中距筛选的数据,在P波到达后1～10s时间窗,以1s为时间间隔。基于多个特征参数作为人工智能方法的输入建立了两种人工智能震级估算模型,并提出了震级估算准确性评价方法。论文主要完成了以下工作:（1）基于支持向量机方法对震级估算进行研究。利用P波触发后1～10s时间窗内的日本K-net强震动数据,基于人工智能机器学习领域经典的支持向量机方法,选取幅值参数、周期参数、能量参数、衍生参数这四大类共12个特征参数作为支持向量机的特征输入,构建具备可解释性的支持向量机震级估算SVM-M模型。结果表明:在P波到达后3s时间窗时,和传统的震级估算τc方法与Pd方法相比,SVM-M模型对测试数据集的震级估算结果的误差和离散性得到了明显的改善;SVM-M模型震级估算结果不受信噪比和震中距的影响,小震高估问题得到明显的改善。同时,基于SVM-M模型与多台震级估算处理,对另外49次地震事件进行实时的震级估算分析,结果表明:对于MJMA3～MJMA6.4地震事件,在首台P波触发初期可以得到较为可靠的震级估算;对于MJMA6.5～MJMA8地震事件,在首台P波触发后1s时震级估算结果误差较大,但是随着时间窗的增加,误差逐渐减小,在首台P波触发后4s时间窗时,也可以给出较为可靠的震级估算结果。（2）基于深度卷积神经网络对震级估算进行研究。采用同样的P波触发后时间窗内的日本K-net强震动数据,基于深度卷积神经网络方法,使用同样的12个特征参数作为深度卷积神经网络的输入,构建可解释性深度卷积神经网络震级预测DCNN-M模型。结果表明:在P波到达后3s时间窗时,DCNN-M模型的震级估算结果的标准差要小于τc方法与Pd方法,同时,DCNN-M模型的震级估算结果不受信噪比和震中距的影响,小震高估问题得到了明显的改善;同样的49次地震事件,对于MJMA3～MJMA6.4的地震事件,DCNN-M模型在首台P波触发初期可以给出较为可靠的震级估算;对于MJMA3～MJMA8地震事件,随着首台P波触发后时间窗的增加,震级低估问题得到了明显的改善。（3）地震预警震级估算结果准确性的评价方法。对于单台的震级估算,根据SVM-M模型和DCNN-M模型的震级估算结果,定义误差在0.6个震级单位内是可以接受的误差范围;对于实时多台的震级估算,定义多台估计震级与实际震级围成的面积为误差面积。基于单台和多台震级估算准确性的定义,分析了SVM-M模型和DCNN-M模型的震级估算结果。结果表明:无论是单台还是多台的情况下,对于SVM-M模型和DCNN-M模型的震级估算的准确率都随着时间窗的增加而增加;同时,在实时的多台地震预警震级估算中,对于MJMA3.2级、MJMA4.4级和MJMA5.4级三次地震事件,在首个P波到达的台站初期就可以给出较为可靠的震级估算。