随着城市化的进程不断加快,人们对地下空间利用的需求也不断增加。瑞雷波勘探是一种了解近地表地下结构的有效途径,已经越来越多被用来解决实际生产需求。瑞雷波勘探主要是通过反演瑞雷波频散曲线来获取近地表地下结构,具有分辨率高、反演速度快等优势。但是该方法存在人工手动拾取频散曲线的准确度依靠主观经验、效率低;现有反演方法存在明显的优缺点,反演方法的适用性不明确等问题。本文提出用深度学习方法自动拾取频散曲线,利用多层感知机神经网络反演频散曲线,来推动瑞雷波勘探技术在实际生产生活中的应用。瑞雷波勘探技术主要分为频散曲线拾取和频散曲线反演两个步骤。传统的频散曲线提取需要人工手动或者半自动拾取,拾取的精度和效率依赖于解释人员的经验和知识背景,亟需发展速度快、精度高、智能化的频散曲线提取方法。本文对U-net神经网络的结构和输出进行改进,将频散曲线的拾取过程作为一个图像分类问题,快速、准确地从频散能量图中提取频散曲线。将理论合成地震记录的频散能量图分别与手动提取的频散曲线和Schwab-Knopoff算法得到的理论频散曲线进行组合,构建了由频散能量图与手动提取的频散曲线组成的训练集（DM训练集）和由频散能量图与Schwab-Knopoff算法得到理论频散曲线组成的训练集（DS训练集）。理论数据测试结果验证了改进的U-net神经网络自动拾取多阶频散曲线的可行性,两种不同训练集对应的频散曲线拾取结果表明由DS训练集得到的网络模型具有更好的提取效果。此外,本文还分析了训练集样本数量对改进的U-net网络拾取频散曲线效果的影响,结果表明改进的U-net网络具有对训练集的样本数量要求低、频散曲线提取精度高等优势。最后,用训练好的U-net网络模型拾取了两组实测面波数据的频散曲线,获得了良好的提取效果,进一步验证了改进的U-net神经网络算法拾取频散曲线的有效性。传统的瑞雷波频散曲线反演方法主要有线性反演和非线性反演两种。随着计算机技术的日益成熟,人工神经网络在一定程度上能够克服传统反演方法的不足,已经成为一种解决地球物理领域各类问题的新方法。本文提出使用多层感知机神经网络（MLPNN）来反演基阶频散曲线。为了研究MLPNN的适用性和性能,使用320个理论模型进行了测试,测试结果表明MLPNN反演效果好、适用性强。本文用四层速度递增模型、四层夹层模型测试阻尼最小二乘法的效果,并且对比了MLPNN算法和阻尼最小二乘法对同一理论模型的反演效果,结果表明MLPNN算法具有反演精度高、速度快,可以跳出对初始模型的依赖等优势。最后将改进的U-net神经网络和多层感知机神经网络算法应用到实际数据的处理中,成功获得了二维横波速度剖面,进一步证明了多层感知机神经网络反演算法的实用性。