断层的识别工作一直是地震勘探领域的重点。随着石油需求的增长,断层的识别方式从最初的手动解释到自动化属性解释,再到如今智能化的深度学习解释,其识别的精度和效率在不断地提高。为了进一步提高断层的识别效果,本文基于图像分割的思想,利用深度学习技术实现了断层的自动智能识别。聚焦于地震资料断层信息占比少的问题,一方面通过融合多种不同地质属性更充分地学习断层信息,另一方面,减少网络训练过程中断层的信息丢失。本文采用两种不同的卷积神经网络模型,以二维、三维两种不同解释模式对地震数据进行断层识别。开展的具体工作如下:(1)针对地震振幅属性包含的信息有限,单一网络不能有效学习地震数据中断层特征的问题,本文提出了一种基于多属性融合的二维断层识别方法。以U-Net为基础,搭建了MA-Unet网络模型。MA-Unet网络可以对地震数据的多种属性进行融合学习;针对地震数据中断层和非断层样本占比不均衡的问题,引入Lovaszloss损失函数,提升断层识别的准确率;针对卷积局部感受野会丢失全局信息的问题,在网络中加入Non-local组件,学习地震数据全局的信息。最后通过算法在实际工区数据的实验结果,验证了其在断层识别领域的有效性和实用性。(2)针对卷积神经网络训练过程中断层信息丢失的问题,本文在V-Net网络的基础上,提出了一种基于D-Vnet的三维断层识别方法。算法对V-Net模型进行改进,将原本残差模块中的卷积层替换为扩张卷积层,构建扩张残差卷积模块,解决了地震数据在训练时分辨率下降的问题;同时根据地质数据的具体特点,对网络模型进行简化,添加了实例归一化层,进一步提高了断层识别的精度;另外,将网络的损失函数改进为Lovaszloss损失函数,直接对图像分割的衡量指标IoU进行优化。最后,通过理论数据训练,实际工区数据预测的方式,证明了本方法的有效性和实用价值。