开发现地地震预警对于地震防灾减灾有着极其重要的作用,现阶段常用单参数来对现地预警中的目标参数进行估算。但是存在一些难以解决的问题,主要表现为基于单一地震波特征参数预测后续地震动的统计关系离散性高,不同类型统计关系的预测结果也存在一定的差异性。本研究针对上述现地地震预警存在的问题,以更准确预测现地地震动为目标,利用日本K-net台网强震动观测数据,在P波到达后1～10s时间窗、以1s为时间间隔,基于人工智能方法分别构建了预测中国仪器地震烈度的支持向量机模型和卷积神经网络模型。论文主要完成了以下工作:1、筛选并处理日本K-net台网强震动数据,提取Pa、Pv、Pd、CAV、DI、Ia、AMmax、IV2等八种地震波初期特征参数,建立P波触发3s时间窗特征参数与计算中国仪器地震烈度地震动峰值PGA、PGV的线性统计关系,基于统计关系方差,分析了基于单特征参数与地震动峰值PGA、PGV的线性关系,为人工智能现地地震动预测模型的可解释性输入建立基础;2、基于支持向量机算法预测现地地震动。利用日本强震动数据,基于支持向量机算法的优势,选择八个P波阶段的地震动特征输入到支持向量机模型中进行训练,构建具备可解释性输入的支持向量机现地地震动预测SVM-PGA、SVM-PGV模型。预测结果表明:在P波到达后3s时间窗时,与常用的现地地震动预测PdPGA、Pd-PGV方法相比,SVM模型对“低值高估、高值低估”问题得到了极大的的缓解,且预测地震动峰值的结果与震中距无关;随着P波时间窗的增加,对数预测值与对数实测值的误差标准差逐渐变小,预测结果逐渐变好趋近实测结果,在P波触发6s后呈现逐步收敛的趋势。SVM模型对现地地震动峰值预测的准确度有较大的提升。3、基于卷积神经网络算法预测现地地震动。利用日本的强震动数据,基于人工智能深度学习领域经典的卷积神经网络方法,选取十个P波特征参数作为卷积神经网络的输入,构建具备可解释性输入的卷积神经网络现地地震动预测CNNPGA、CNN-PGV模型。预测结果表明:在P波到达后3s时间窗时,与常用的现地地震动预测Pd-PGA、Pd-PGV方法相比,CNN模型预测PGA、PGV无“高值低估”问题;随着P波时间窗的增加,CNN模型预测地震动峰值产生的误差标准差逐渐变小,在P波触发6s后趋近于收敛。CNN模型预测现地地震动峰值的准确度提升明显。4、地震事件离线模拟。对几次日本地震与中国地震进行离线模拟,随时间窗的实时震例预测结果表明,本文构建的支持向量机预测模型与卷积神经网络预测模型对于较大震级地震的地震动峰值预测结果有较好的精度,烈度结果能在首台P波触发后几秒内成功预测,验证了模型的可行性与实用性。