高分辨率处理对降低勘探开发风险有着重要意义,反褶积是提高分辨率最常用的方法。反褶积方法有很多,例如最小平方法反褶积、预测反褶积以及同态反褶积等。经过多年的发展,基于迭代阈值收缩算法(Iterative Shrinkage-Thresholding Algorithm,ISTA)的稀疏脉冲反褶积方法因为其简单的理论,优良的反褶积结果以及较高的计算效率,成为了现在较热门的反褶积方法,但是这种反褶积方法求解过程需要提前确定一些待定参数,而确定这些参数的过程十分复杂。为了使基于ISTA算法的稀疏脉冲反褶积方法取得更好的应用,通过对ISTA算法进行分析推导,研究了算法内部梯度步长、地震子波以及正则化参数三者对ISTA算法的影响,提出了一种自适应策略下的ISTA稀疏反褶积方法。首先,对ISTA算法内部梯度步长进行自适应研究。传统的ISTA算法采用了线性递增的搜索方式确定其内部梯度的步长,当初始输入步长不准确时,这种线性递增的搜索方式便会制约ISTA算法的收敛性。为了解决这个问题,在传统ISTA算法的基础上,每一次迭代之前适当减小输入步长,再通过线性搜索的方式,最终得到适合的内部步长。为了使算法在理论上具有收敛性,在每一次迭代过程中,都使用了上一次迭代的步长信息来构建本次迭代的辅助序列。最终得到了一种基于自适应步长FISTA算法的稀疏脉冲反褶积方法,一定程度上解决了传统方法由于初始步长输入不准确而带来的收敛速度慢的问题,达到了内部梯度步长自适应的效果。然后,将ISTA算法与循环神经网络中的反向误差传播的思想(Back Propagation Through Time,BPTT)形成了自适应地震子波ISTA算法。基于ISTA算法的稀疏脉冲反褶积方法都是首先从地震数据中提取地震子波,然后结合地震子波利用ISTA方法求解反射系数,但是当地震子波不准确时,会导致反褶积结果不理想。为了解决这个问题,在原始ISTA算法的基础上,结合深度学习循环神经网络(Recurrent Neural Network,RNN)中反向传播(Back-Propagation Through Time,BPTT)的思想,形成了一种自适应的类RNN的ISTA算法,该方法能够自适应得到与输入地震数据相适应的地震子波,与此同时得到反褶积后的反射系数。算法第一步,利用与输入地震记录有相似特征的训练数据结合BPTT思想,训练类RNN的ISTA算法中的自适应网络部分,使其成为可以自适应输入地震记录的网络;第二步,自适应网络与反褶积求解结合,形成了一整套的类RNN的ISTA算法;第三步,将待处理地震记录带入该算法,便可以直接得出反褶积结果,在这一过程中不需要其他操作,达到了根据地震记录自适应地震子波反褶积的目的。最后,对ISTA算法中的正则化参数进行自适应研究。在稀疏脉冲反褶积的目标函数中,以及整个ISTA算法计算过程中,始终有一个正则化参数,其引入的目的是为了控制误差项与正则化项之间的关系,它对反褶积的结果起着重要的影响。通常,确定这个参数的方法很多,在这些方法的基础上,提出了基于广义stein定理(General Stein Unbiased Risk Estimation,G-SURE)的正则化参数确定方法,该方法比传统的方法有着更高的求解精度。其他方法在求解过程中,都面临着计算量大,并且所需参数并不能直接表征待求参数,而G-SURE能够直接估计了均方误差(MSE)最小时对应的待求模型参数,即反射系数,并且计算效率较高,效果较好,同时达到了自适应选取正则化参数的目的。为了验证本文提出的自适应算法的改进效果,使用不同信噪比的一维模型以及楔形模型进行了实验分析,在理论资料实验基础上,进一步对实际工区资料进行反褶积处理。实验结果证明,通过本文提出的自适应算法,不仅达到了算法自适应的目的,且比传统ISTA反褶积方法有着更好的处理效果。