近断层脉冲型地震动对建筑结构具有显著的破坏作用，如何快速、准确地识别脉冲地震动一直是工程领域急需解决的关键问题。针对这些问题，本文提出了基于贝叶斯优化的Transformer模型，通过三个步骤对数据进行处理：首先对原始数据进行降噪滤波，提取核心速度时程特征；其次采用固定时间窗进行特征提取与数据压缩，以保留关键信息并降低计算复杂度；最后通过零填充实现输入维度标准化。该处理方法有效增强了模型泛化能力和识别精度。实验结果表明：本研究提出的Transformer模型可有效区分脉冲型与非脉冲型地震动，在Transformer、ANN、CNN三类模型的对比显示，三类模型的分类准确率均超过95%，其中Transformer以98.76%的准确率表现最优，较ANN提升1.48%，较CNN提升2.57%。与传统Baker方法相比，在验证集中，成功修正了baker法35.92%的模糊地震分类样本(重新判定为脉冲型地震动)，同时纠正了其对26.09%真实脉冲型地震动的误判(原被识别为非脉冲型)，这验证了基于深度学习的识别方法相较于传统量化分析手段，在特征泛化能力和判别精度方面具有显著提升,表明基于Transformer神经网络模型在脉冲地震动识别领域的有效性，也为神经网络识别方法在该领域的应用提供重要参考依据。
 

注意力机制；贝叶斯优化；脉冲型地震动；脉冲识别；相对能量阈值