یکی از مراحل مهم و بنیادی در مطالعات زلزله شناسی، پردازش داده های فراهم شده توسط شبکه های لرزه نگاری است. پردازش اولیه ی این داده ها شامل تشخیص و استخراج سیگنال زلزله، تعیین زمان رسید فازهای اصلی، تعیین بزرگا و پارامترهای کانونی رویداد زلزله و در صورت نیاز اطلاع رسانی است. با توجه به گسترش شبکه های لرزه نگاری در جهان و همچنین کشورمان و افزایش روزافزون حجم داده های ثبت شده، استفاده از روش های خودکار در پردازش داده ها از اهمیت بالایی برخوردار است. از این رو در این رساله روش های رایج در زمینه ی پردازش خودکار داده های لرزه ای مورد مطالعه قرار گرفته اند و روش های جدیدی در زمینه ی تشخیص سیگنال زلزله بر داده های پیوسته و تعیین زمان رسید فازهای p و s به صورت خودکار ارائه شده است. در روش های جدید ارائه شده برای تشخیص رویداد و فاز p از تبدیلات زمان- فرکانس همچون تبدیل فوریه ی پنجره ای و تبدیلات موجک به صورت گسسته و پیوسته استفاده شده است. تبدیلات زمان – فرکانس امکان مطالعه ی تغییرات محتوای فرکانسی سیگنال را با زمان فراهم می سازند. با استفاده از آنالیز موجک ویژگی های سیگنال در هر مقیاس با موجکی که از نظر گسترش زمانی و باند فرکانسی متناسب با آن است، مورد بررسی قرار می گیرد. برای تشخیص فاز s از بزرگ ترین مقدار ویژه ی ماتریس کوواریانس در حوزه ی زمان استفاده شده است. در این رساله چند روش مهم در تشخیص رویداد زلزله و انتخاب خودکار فاز p بررسی شد. با استفاده از ویژگی های تبدیلات زمان-فرکانس از جمله تبدیل موجک در دو شکل گسسته و پیوسته، بررسی های زیادی برای ارائه ی الگوریتم هایی که در آنها از تبدیل موجک برای تشخیص رویداد زلزله و انتخاب خودکار فاز p استفاده شده باشد، به عمل آمد. در این راستا نخست الگوریتم هایی که در این زمینه وجود داشتند، به دقت مورد مطالعه و بررسی قرار گرفتند. بر مبنای این بررسی ها دریافتیم که در الگوریتم های پیشین هدف اولیه ارائه ی تابع مشخصه ای بوده است که ویژگی های بارز لرزه نگاشت را در هنگام رسید فاز های لرزه ای حفظ و یا برجسته کند. به گونه ای که تفکیک سیگنال زلزله از نوفه زمینه و تشخیص فاز بر روی این تابع مشخصه ساده تر و موثرتر از لرزه نگاشت اصلی باشد. توابع مشخصه ی ارائه شده در بسیاری از مطالعات به نوعی پوش لرزه نگاشت را تشکیل می دادند. از پوش ضرایب موجک به عنوان تابع مشخصه استفاده شد. در امر تشخیص رویداد زلزله بر داده های پیوسته پیشنهاد شد از تبدیلات زمان-فرکانس همچون تبدیل فوریه ی پنجره ای و تبدیل موجک استفاده شود. در رویکرد ارائه شده با استفاده از تبدیل فوریه ی پنجره ای،det-sf، تغییرات انرژی طیفی محلی در گستره ای از فرکانس ها که منطبق بر محتوای فرکانسی رویدادهای مورد انتظار هستند، بررسی می شود. مشاهده ی این تغییرات در اکثر زیرباندهای فرکانسی نشانه ی وقوع رویداد زلزله تلقی می شود. تکنیک به کار رفته برای تشخیص تغییرات انرژی طیفی در عین سادگی بسیار کارآمد است و نیاز به تعیین پارامترهای زیادی به صورت پیش فرض وجود ندارد. در روش های ارائه شده با استفاده از تبدیل موجک، ضرایب موجک گسسته به دست آمده در محدوده ای از مقیاس ها که دربرگیرنده ی ویژگی های رویدادهای مورد نظر هستند، در تشخیص رویدادها و تفکیک آنها از نوفه زمینه مورد استفاده قرار می گیرند. به این ترتیب ابتدا با استفاده از تبدیل موجک گسسته، لرزه نگاشت به مقیاس های مختلف مورد تجزیه قرار می گیرد و در هر مقیاس با استفاده از تبدیل هیلبرت پوش ضرایب موجک محاسبه می شوند. برای تشخیص رویداد از دو رویکرد استفاده شد. رویکرد اول که در الگوریتم det-w1 به کار رفته است، بررسی تغییرات تابع پوش ضرایب موجک در مقیاس های مختلف است. در رویکرد دوم، det-w2، نسبت sta/lta روی سیگنال پوش ضرایب موجک محاسبه می شود. در هر مقیاس رویدادهای موجود استخراج شده و در یک لیست ثبت می شوند. لرزه نگاشت ها در مقیاس های مختلف ویژگی های متفاوتی دارند. مثلا در یک یا چند مقیاس نوفه زمینه حضور موثرتری دارد. رویدادهای کوچک تنها در ضرایب موجک مقیاس های پایین دیده می شوند و در مقیاس های بالا محو می شوند. اما رویدادهای بزرگ در گستره ی وسیع تری از مقیاس ها آشکار می شوند. از این رو بعد از تهیه ی فهرست رویدادها در مقیاس های مختلف، در مورد رویدادهای نهایی تصمیم گیری می شود. به این صورت که رویدادهایی که در اغلب مقیاس ها آشکار شده اند به عنوان رویدادهای مطمئن معرفی می شوند. این سه الگوریتم با استفاده از داده های ثبت شده در یک شبکه ی محلی موقت که بعد از زلزله ی زرند برپا شده بود، مورد بررسی قرار گرفت. نتایج به دست آمده با ارزیابی دستی داده ها توسط کارشناس مورد مقایسه قرار گرفت. این مقایسه بر کارایی الگوریتم های خودکار ارائه شده، در استخراج رویدادها از داده های شبکه های محلی دارد. به صورتی که درصد قابل توجهی از رویدادهایی که توسط کارشناس به عنوان رویداد مناسب، استخراج شده بودند، در خروجی الگوریتم ها نیز وجود داشت. الگوریتم های det-sf ، det-w2 و det-w1 به ترتیب 75% ، 35% و64% از این رویدادها را تشخیص داده شده اند. علاوه براین، الگوریتم های خودکار رویدادهای دیگری را استخراج نمودند که در فهرست رویدادهای تعیین شده توسط کارشناس وجود نداشت. مزیت بسیار مهم هر سه الگوریتم، پایین بودن تعداد اعلان های اشتباه است. به ترتیب 14% و 3% رویدادهای تشخیص داده شده توسط الگوریتم های det-sf و det-w1 خطای ناشی از نوفه و یا رویدادهای خردلرز بودند. الگوریتم det-w2 فاقد تشخیص اشتباه بوده است. لازم به ذکر است که در الگوریتم های خودکار، تشخیص رویداد با استفاده از هر سه مولفه ی لرزه نگاشت ها انجام گرفته است. این امر هر چند سبب کاهش اعلان های اشتباه می شود، سبب عدم تشخیص رویدادهایی می شود که از سه مولفه ی لرزه نگاشت مربوط به آنها، حداقل یک مولفه دارای کیفیت مناسبی نیست. الگوریتم دیگری که در این رساله معرفی شد، الگوریتم تشخیص خودکار فاز p برای داده های محلی و منطقه ای است. در این الگوریتم که به اختصار wpp نامیده شده است، از پوش چند مقیاسی ضرایب موجک پیوسته در ارائه ی تابع مشخصه استفاده شد. نتایج به شرحی که در فصل گذشته بحث شد، اشاره به موفقیت این روش در تشخیص فاز p برای رویدادهایی با بزرگاهای مختلف در فواصل کانونی محلی و منطقه ای دارد. مقایسه ی نتایج به دست آمده با نتایج بررسی دستی توسط کارشناس بر کارایی روش جدید تاکید دارد. همچنین در این رساله الگوریتمی برای تشخیص خودکار فاز s ارائه شد. در این الگوریتم به جای استفاده از پارامترهای رایج آنالیز قطبش، از تغییرات بزرگترین مقدار ویزه ی ماتریس کوواریانس به عنوان تابع مشخصه ی تشخیص فاز s استفاده شد. نتایج این الگوریتم نشان داد، حداقل در مورد لرزه نگاشت هایی که در آنها نوفه زمینه در هنگام رسید فاز s پایین است، مقدار تابع مشخصه افزایش بارزی را نشان می دهد و زمان رسید فاز s با دقتی قابل مقایسه با دقت کارشناس قابل تشخیص است. لازم به ذکر است خروجی الگوریتم های تشخیص رویداد معمولاً در مرحله ی تشخیص فاز و تعیین مکان مورد استفاده قرار می گیرند. اغلب (در ایران) تشخیص فاز و تعیین مکان به وسیله ی نرم افزار seisan انجام می شود. از این رو شکل موج رویدادهای جدا شده در الگوریتم های معرفی شده به فرمت seisan ذخیره می شوند. همچنین برای هر رویداد به طور خودکار یک فایل ذخیره ی اطلاعات به فرمت s-file ساخته می شود. در صورتی که بخواهیم برای رویدادهای تشخیص داده شده، فازهای لرزه ای p و یا s و سایر اطلاعات همچون طول کدا را نیز به صورت خودکار تعیین کنیم، شکل موج رویداد جدا شده توسط الگوریتم های مربوطه مورد بررسی قرار می گیرد و اطلاعات به دست آمده نیز در s-file ذخیره می شود. به صورتی که بررسی مجدد و مکانیابی به کمک نرم افزار seisan به سادگی میسر باشد.