地震图像的断层检测在水文地质学、固体矿产资源勘察、石油地质勘察、地震学相关的研究和地震预报等领域有重要意义。传统的断层检测方法有人工手动进行标记,但这种方法耗时较长且容易产生误差。地震属性检测方法是根据断层造成的地震属性剖面的不连续性来检测断层,如相干性、连贯性、方差和曲率等。此外也有研究者提出利用自动追踪与解释方法,如蚂蚁算法等进行断层检测。但这些方法都有检测断层不够清晰及位置不准确等缺点。随着人工智能在计算机视觉上的发展,深度学习方法也广泛应用于各个领域。其中,语义分割方法能够对图像进行像素级分类,将分割目标与背景分割开来,准确定位并分类目标。本文基于SENET和UNet网络提出了Channel-UNet语义分割网络,并对地震图像进行断层检测。该网络使用UNet网络的U型基本框架,包括下采样和上采样两个部分,下采样进行特征提取,上采样进行特征融合。U型网络结构可以得到深层信息和浅层信息。深层信息可以反映分割目标和它的环境之间关系的特征,用于分类。而浅层信息能够为分割任务提供更加精细的特征。Channel-Unet网络还整合了SENET的通道注意力模块。SENET关注通道之间的关系,提出了一种特征重标定的方法。通过自主学习主动获取每个特征通道的重要程度,然后按照这个重要程度去强调有用的特征并抑制不重要的特征。使用真实地震数据训练神经网络会涉及到国土资源保密的问题,因此难以获得足够包含清晰断层的地震图像,而且解释地震断层是一项耗时的任务。地震断层的解释在很大程度上取决于解释人员的经验,容易出现误差。因此本文利用基于振幅的地震图像生成平台自动生成训练数据集,自定义断层参数并且生成相应的断层标签。然后利用合成地震数据集训练多个语义分割网络,包括UNet,Res Net34＿UNet,R2U-Net,Attention UNet以及本文提出的添加通道注意力机制的Channel-UNet,再使用训练后的网络在合成数据集上进行验证。实验结果表明Channel-UNet网络在合成数据上的断层检测效果优于其它语义分割网络,对比标签数据计算得到的IOU和dice值均高于其他语义分割网络。同时,本文也将Channel-UNet网络用于对真实地震数据的断层检测。本文获取荷兰——北海地区F3区块地震数据,并利用Opendt地震解释软件进行可视化以得到地震图像。然后利用Channel-UNet网络对F3真实地震图像进行断层检测。此外,为使断层更加易于观察以及将应该属于同一断层的断层线连接起来,本文利用霍夫变换对神经网络的检测结果进行后处理。本文利用传统物探解译方法对原始数据进行了人工断层标记,将网络预测的断层与人工标记的断层做对比。用针对断层检测的评价标准FAD进行评价,准确率较高,结果表明Channel-UNet网络可以对真实地震图像进行有效的断层检测。