在地震勘探中,一个十分关键的任务就是地震资料的解释,其中三维地震数据中地质异常体的识别十分重要。尤其是盐丘的识别,对研究者们理解盐构造、建立地震偏移速度模型等都具有非常重要的作用。虽然目前自动化的方法已经被应用到计算盐丘属性和提取盐丘边界过程中,但盐丘的解释识别仍然是个耗时耗力的工作。传统的方法基于物理原理、几何构造等派生出地震属性,但是这些属性可能无法完全表达包含噪声且地质特征复杂的真实地震数据。为了降低上述问题的影响,实现盐丘的自动化解释并减少人力、时间成本的消耗,本文将卷积神经网络应用到盐丘解释问题中。基于深度学习的技术使得提高大型三维地震数据集下盐丘识别的效率和精度成为可能,是一个非常关键的研究方向。本文从原始的三维地震振幅数据体出发,研究了基于卷积神经网络和基于全卷积神经网络的盐丘识别方法。本文的主要工作如下:1.针对人工解释盐丘效率低以及地震属性识别流程复杂的问题,本文提出了一种基于改进的AlexNet网络的盐丘识别分割方法。通过将适用于自然图像的AlexNet模型进行一定改进,以样点为中心构建二维小片,使其适用于原始的三维地震振幅数据,能够有效识别地质特征。选择卷积神经网络模型可以自动选择对分类最有利的特征,能避免手动选择特征或地质属性的问题,在简化识别流程的同时有效识别出盐丘。2.为了解决基于卷积神经网络的方法在盐丘边界处识别不准确且计算开销较大的问题,本文提出了一种基于U-Net的盐丘分割方法。在原始U-Net的基础上针对地震数据进行结构和参数的调整,使网络模型能更高效地识别地质特征。UNet从地震振幅图像级别的盐丘分类识别延伸到了像素级别的分类,通过数据扩张更有效的利用标签数据,在获取上下文信息的同时能够实现精确的盐丘分类,识别分割效果明显优于卷积神经网络。最后通过对整个三维地震数据体进行分割,构建三维盐丘模型。本文通过荷兰F3的实际三维地震数据体来验证所提出的方法,结果表明所提出的方法能准确的进行自动的盐丘分类,所得到的盐丘边界和人工解释的边界基本吻合,也证明了计算机视觉能成功应用在地震勘探领域,值得进一步研究。