受采集条件和环境干扰等影响,地震数据中往往存在道缺失和随机噪声等问题。这两者会严重影响最终处理结果和成像精度。常规的插值或去噪算法受限于线性、稀疏和低秩等假设条件,受人为因素影响较多,具有一定的局限性。我们引入深度学习中的深度残差神经网络,从海量地震数据中学习并表征数据特征,构建了地震资料的智能化插值和去噪网络,无需任何先验假设条件,不需要手动调节参数,节省了大量人工成本。针对地震数据插值算法,我们直接将地震道缺失数据输入插值残差神经网络训练,得到训练好的网络后即可对未知数据进行插值处理。该网络主体结构分为局部残差连接和全局残差连接,上述连接方法利用缺失数据与重构数据之间的相似性,无需特征融合,减小了计算负担。与普通卷积神经网络相比,本文算法收敛速度更快,损失曲线无振荡现象,重建精度更高;与其它传统插值算法相比,本文算法不需要预插值处理,不受线性假设、假频现象等限制,仅仅基于数据本身特征学习,即可实现地震数据的规则插值和随机插值,重建后的同相轴连续性和平滑性均较高,具有一定的实际应用意义。对于地震数据中随机噪声的压制,我们在插值残差神经网络的基础上进行改进。将含噪数据作为输入数据,噪声数据作为标签数据,无需上述插值残差神经网络中的全局残差连接,并且去除了残差块中的批归一化（BN）层。改进后的残差神经网络收敛速率加快,精度更高。我们利用合成三维数据进行测试,噪声水平为10%-50%,结果表明本文算法比传统去噪算法效果更好,残差剖面上无有效信号泄漏现象,对噪声具有一定鲁棒性。基于此,我们将插值神经网络和去噪神经网络相结合,提出了联合插值去噪残差神经网络。该网络可以同时实现地震数据的插值和去噪,对地震资料智能化处理流程具有一定的实际意义。我们对叠后实际数据的测试验证了本文算法的适用性和优越性。