近断层脉冲型地震动以其高振幅、长周期的速度脉冲为显著特征，此类特殊地震动易诱发超越常规预期的结构响应，甚至对抗震设计构成严峻挑战。现有分类方法在特征表达的鲁棒性与模型的可解释性方面仍存在一定局限。为此，本文提出一种融合层次小波分解与ShapeNet架构的智能分类框架，以实现对脉冲型地震动的精准识别与细致分类。该方法首先通过迭代小波分解对速度时程进行多层级解析，逐步提取具有物理意义的脉冲成分，并构建多元特征序列；进而引入ShapeNet模型，将变长度特征子序列嵌入统一低维空间，利用三元组交叉熵损失函数优化特征分布，增强类间区分度。在此基础上，采用聚类算法从嵌入空间中学习具有代表性的原型Shapelets，并构建基于距离度量的多元特征矩阵，作为最终分类的依据。实验结果表明，所提框架在准确率、F1分数与Cohen's Kappa等多个评估指标上均优于传统方法，展现出优异的判别性能与鲁棒性。进一步地，通过融合累积能量比与相对位置比两项物理判据，本方法在实现脉冲型/非脉冲型地震动初判的基础上，还能够有效区分早到脉冲与迟到脉冲，提升了分类体系的层次性与决策过程的物理可解释性，为地震动特性研究与工程结构抗震分析提供了可靠工具。

Shapelet；小波分解；特征提取；地震动分类；脉冲识别