很多自然事件和人工事件发生时都能产生次声波,例如雷电、台风、化学爆炸等。次声波作为全球禁核组织开展核查的重要效应之一,具有传播远、不易衰减的特点。因此研究次声波的信号特征和基于它的事件识别具有重要意义。本文对特定事件的异常次声波信号进行研究,综合傅立叶变换、小波变换、希尔伯特黄变换三种信号处理技术与信息熵理论,分别提取了次声波信号的时域特征、频域特征和时频域特征。同时,使用机器学习模型中的支持向量机SVM进行对比实验,验证不同特征提取算法在次声波分类识别中的有效程度。在分类识别方面,还探究了循环神经网络模型在本研究中的可行性,采用RNN的变体LSTM、GRU模型对信号数据进行分类。实验结果表明,在基于特征提取的SVM算法中,信号经希尔伯特黄变换后计算的特征分类效果最好;在基于神经网络的分类实验中,LSTM的分类结果优于GRU。为了充分利用数据,本文探究了数据融合技术在本课题中的应用,对比了不同级别数据融合的特点,并基于数据级融合提出具体实现方案,采用自适应加权平均算法求得来自多传感器次声波数据的融合曲线。除此,本文基于时延估计定位算法,进行了多传感器三角阵仿真定向实验。本文结合研究结果,根据需求分析,按功能将基于次声波的特定事件探测系统划分为系统管理、事件分析、数据融合、事件展示四个模块。针对上述模块,分别进行了业务逻辑分析、接口设计、数据库设计,并对各功能点进行编码开发。实现了对用户上传的次声波信号文件的备份存储、分析与分析结果管理,同时还考虑到系统使用中的安全性,融入了权限管理。