地震偏移技术可以实现对地下复杂介质的高分辨率结构成像,但在实际应用中会面临一些困难。影响地震成像的三个主要因素是:地震观测数据、偏移速度和成像算法。地震观测数据中存在微弱信号,这些微弱信号会导致成像困难。在速度模型方面,速度对复杂介质成像的影响较大,准确的速度有助于获得高质量的成像结果;相反,不准确的速度会导致成像扭曲。在偏移算法方面,往往需要在成像精度和计算效率之间做权衡,另外成像过程中还存在一些偏移假象。上述提到的这些问题亟待解决。为了解决地震数据中弱信号的问题,我们研究了基于单程波动方程的染色算法。染色算法是一种基于目标导向的震源波场重构方法,这些重构的波场被用于目标区域成像。该算法已经被用于双程波动方程偏移,但双程波动方程计算效率低,而且受多次波的干扰,而单程波偏移不存在这些问题。因此,我们提出了一种基于单程波动方程的染色算法,将该方法用于弱照明结构成像。另外,我们还将传统的染色波场从震源一端推广至检点一端,形成两种新的染色策略,即检点染色策略和震源—检点染色策略,提出的这两种策略均可以实现对目标结构的高分辨率成像。针对速度模型严重影响成像质量的问题,我们主要开展了两方面的研究。第一项研究是详细调查了速度误差如何影响成像质量。在地下复杂介质中,以盐结构为例,它对地应力的变化较为敏感,使得其周围沉积物的速度更为复杂。我们分析了盐应力扰动诱导的速度变化,并调查了这些速度变化如何影响盐结构成像。传统的盐结构成像方法很少考虑盐诱导的应力扰动及相应的速度扰动。为了证明盐诱导的应力和速度变化对于准确盐成像的重要性,本研究发展了一种耦合地质力学模拟和盐成像的方法。我们首先使用静态地质力学模型模拟了盐结构周围沉积物的应力扰动,然后根据应力扰动计算了相应的地震波速的变化,最后使用逆时偏移对盐结构进行成像,并分析了是否考虑盐应力扰动及其速度变化对成像的影响。结果表明盐应力扰动引起的弹性波速的变化会对盐结构成像产生较大影响,因此在盐结构成像过程中盐周围的应力扰动和速度变化不应该被忽略。第二项研究是将深度学习用于有速度误差的地震成像,以解决偏移对速度模型依赖性较大的问题。与传统端到端的网络不同,我们研究了一种预测基神经网络,网络的输入为扭曲的成像道集,输出为两个基矩阵,这两个基矩阵做矩阵乘法可以重构一个像素级的卷积核;将这些卷积核作用在输入的成像道集中,实现成像道集校正;将校正后的道集叠加得到校正后的偏移图像。数值算例证明了训练的网络在有速度误差的成像道集校正方面的有效性。我们提出的方法有效降低了偏移对速度模型的敏感性,在有速度误差的情况下获得了高分辨率且准确的地下结构图像。针对地震成像算法存在的一些问题,我们也开展了一些研究。在解决计算效率和成像精度矛盾的问题时,我们将深度学习用于多炮逆时偏移成像增强。多炮偏移方法可以解决逆时偏移计算效率低的问题,该方法通过同时处理多个震源来减少计算量,但这种方式在成像过程中往往会引入串扰噪声,严重干扰了成像信号。平面波逆时偏移作为一种主流的多炮偏移方法,通过对波场做线性时间延迟来重构平面波波场,将这些平面波场用于偏移,得到对应角度的平面波偏移图像,该图像中会存在串扰噪声的干扰。多个角度的平面波偏移图像叠加可以压制串扰噪声,提高成像质量,但也会增加计算量,因此应用平面波偏移时通常需要在计算效率和成像质量之间进行权衡。本研究设计了一个卷积神经网络用于平面波偏移成像增强。网络的输入为7个不同角度的平面波偏移图像,期望的输出为干净的且高分辨率的褶积图像,该褶积图像是由Ricker子波与反射系数褶积得到的。提出的方法解决了计算效率和成像精度之间的矛盾,在较低的计算成本的情况下实现了复杂介质高分辨率成像。针对偏移算法中的偏移假象,我们研究了一种基于噪声到噪声的深度学习方法用于地震成像去噪。常规的深度学习去噪方法是通过建立大量噪声—干净图片的训练对,然后训练一个回归模型实现图像去噪,但在很多场景中没有干净图片作为标签,噪声到噪声的深度学习方法可以解决这种问题,它使用噪声—噪声图片组成训练样本对,通过自监督的方式对这些噪声图片提取有效信号,去除噪声,得到干净的图片。对于地震成像去除偏移假象的场景,干净的偏移图像是难以获得的,我们只能得到一系列含假象的成像道集。因此我们研究了噪声到噪声方法,将有噪声的成像道集组成训练样本对,实现了成像道集的假象压制。合成算例和实际数据证明了研究的方法在地震成像去噪方面的有效性,对不同类型的偏移假象均得到了较好地去除。