随着地震台站数量的增加，单纯通过人工分析来提取地震相位和编制地震目录，越来越难以跟上地震数据积累的速度。近年来，由于现代人工智能技术的发展，快速发展为完成地震相位拾取任务出现了许多深入的学习模型，这为高分辨率地震目录的自动构建提供了机会。然而，由于缺乏对这些具有不同结构和在不同数据集上训练的模型的严格比较和测试，这些模型在不同应用场景中的性能和适用性仍然不清楚。以2019年加州Ridgecrest地震序列和2019年威远四川ms5为例。以4地震序列为例，对两种先进的地震相位拾取深度学习模型phasenet和EQT（包括eqt1和eqt2参数）的性能以及它们构建的地震目录的完整性和准确性进行了测试和评估。结果表明，虽然这两个模型最初是由数据集大学从不同地区训练出来的，但在跨地区应用中取得了良好的效果，拾取精度可以达到10毫秒以上，相当于人工分析。即使eqt1模型采用低阈值（如0.05）检测，也可以保持较高的精度（P相96.9%，S相98.0%）。误报很少，所建地震目录的准确性更好。然而，eqt1的召回率有限，约为75%，检测到的地震数量少于phasenet。phasenet的拾取效应随着阈值的选择具有更大的灵活性。当使用中低阈值（0.5）时，它可以比eqt1和手动目录检测到更多地震，并且构建的地震目录具有更好的完整性，但也在一定程度上牺牲了精度（约90%）。当高阈值大于0.8时，phasenet的精度可以提高到96%以上，达到甚至超过eqt1模型。与eqt1和phasenet相比，eqt2模型性能较差，不推荐使用。