在油气勘探领域中,地震数据重建技术主要用来解决地震数据采集过程中空间采样不足的问题。近年来,基于自学习机制的方法,如机器学习和深度学习,引起越来越多学者的关注。支持向量回归作为一种机器学习方法,也是一种核回归方法,能够实现良好的地震数据重建性能。本文主要是利用支持向量回归方法研究地震数据重建技术。在支持向量回归中,核函数与输入的特征向量直接影响重建性能,因此,本课题研究利用更适合地震数据的核函数以及特征提取技术,将其应用到地震数据重建技术中。该课题的研究具有重要的理论意义和应用价值。本论文主要研究内容和取得的成果包括:（1）本文引入一种适用于地震数据的Ricker核函数,而不是传统的高斯核函数,并将其应用于基于支持向量回归的新插值方法中。Ricker子波被广泛应用于模拟地震资料,因此,Ricker核函数可以专门用于地震数据处理。在Ricker核函数的保证下,对输入向量进行训练,使其成为未来预测缺失地震数据的较好的模型。对合成数据和实际数据的数值实验表明,与基于传统核函数的支持向量回归相比,基于Ricker核函数的支持向量回归具有更好的重构能力。特别是在小样本事件中,重建效果提升明显。（2）本文提出了一种Gabor特征提取与支持向量回归相结合的地震数据重建方法。Gabor特征提取是一种适合地震数据的特征提取方法,有助于提取足够的特征,并利用支持向量回归对输入的特征向量进行训练,获得更好的回归模型。该方法不仅能成功通过Gabor特征提取获得图像特征,而且利用支持向量回归重建图像,具有很好的重构能力。