通过处理和分析岩石破裂过程产生的声发射信号,可以获取挖矿过程中岩石内部的结构变化,对岩石破裂失稳的预警具有重大的现实意义。然而矿山现场的工作环境较为复杂,各类噪声信号与岩石破裂产生的声发射信号相互混叠,严重影响声发射监测结果的准确性。本文围绕岩石破裂过程与岩石声发射信号多特征量之间的联系,从时域、频域以及时频域方面,提取四个阶段下岩石声发射信号的多域特征并融合,最后建立了多元宇宙优化算法优化的极限学习机（MVO-ELM）分类模型,以实现岩石声发射信号的自动识别,从而达到了对岩石破裂状态进行监测的目的。全文的所有研究成果如下:（1）针对变分模态分解算法（VMD）在分解信号时需提前设置IMF分量数K的问题,提出一种改进的VMD算法,仿真实验表明,改进的VMD算法可以取得最优K值;同时计算改进VMD分解后各IMF分量的排列熵值,进而筛选出最优IMF分量并重构信号,完成对信号的去噪。（2）当岩石处于不同破裂阶段时,计算声发射信号的时域特征参数（平均幅值、裕度指标、波形指标和脉冲指标）,发现第一阶段声发射信号的特征值最大,第四阶段声发射信号的特征值最小,且第一阶段与第四阶段的声发射信号存在明显差异。基于傅里叶变换获取声发射信号的频谱分布,进而计算各阶段声发射信号的频谱质心,结果为第一阶段声发射信号的频谱质心最小,分布范围为135～140;第四阶段声发射信号的频谱质心最大,分布范围为165～170;第二阶段和第三阶段有少量声发射信号的频谱质心相近,但不影响信号的总体特征差异性。改进VMD＿MFE算法提取声发射信号在时频域内的差异性特征,发现当嵌入维数m=3,模糊函数梯度n=2,尺度因子s=10,相似容限r=0.15SD（SD为原始数据的标准差）时,重构后的四类声发射信号的MFE值具有明显的区别。（3）构建基于MVO-ELM的分类模型,将岩石声发射信号的多域融合特征向量作为模型的输入,并比较在不同特征向量和不同分类方法下的信号识别准确率。结果表明:采用多域融合特征时识别准确率最高,可以达到95%;采用Sigmoid函数作为ELM的激活函数时,对声发射信号的识别准确率最高;MVO-ELM模型对声发射信号的识别准确率明显高于ELM、Bayes和SVM。