高质量地震资料是地层成像和解释的基础,但随机噪声的存在严重影响后续地震资料的处理和解释,难以判断油气准确位置。特别是偏远地区的随机噪声具有非平稳、高能、频域内有效信号与随机噪声严重混叠的特点,给常规去噪方法恢复地震数据带来很大的难度,使传统的地震数据噪声压制算法很难达到理想的效果。对于此现象,需要研究出一种高效的去噪算法,去除随机噪声的同时,尽量保留信号复杂的边缘信息和丰富的纹理信息,以便恢复地震数据,提高地震资料的利用率。本文将卷积神经网络运用至地震数据处理中,提出相关算法实现地震数据去噪,增强视觉质量。主要研究内容如下:1.基于卷积神经网络的地震数据去噪研究。针对传统的去噪方法,需对信号和噪声进行精确建模和人工输入参数进行优化调整,造成难以去除地震数据噪声的问题。研究发现,DnCNN网络的残差学习,能对的不同信噪比数据进行自适应的去噪工作。而卷积神经网络具有端到端可深度学习数据的特征,能使局部地震同相轴提供最优稀疏表达。根据DnCNN网络自动特征提取和盲去噪的特点,采用结合批标准化、残差学习和自适应矩估计方法的DnCNN网络,通过对网络深度、训练集、网络参数进行优化。实现了一种基于深度卷积神经网络的自适应地震数据去噪算法。经过对比实验分析可知,该算法应用在地震数据中具有较好的去噪效果,消除大量随机噪声的同时,保留数据中的纹理特征。2.基于空洞卷积网络的地震数据去噪研究。针对DnCNN对地震数据去噪时,边缘部分纹理细节丢失的问题。研究发现,空洞卷积具有不增加参数即可扩大感受野的特点,能使网络获取更多地震数据的波动特征,从而保留更多信号的边缘和纹理信息。根据空洞卷积的特点改进DnCNN结构。结合残差学习、批标准化、自适应矩估计等方法来搭建网络框架,通过对网络扩展率、训练集、网络参数进行优化。实现一种基于空洞卷积网络的地震数据去噪算法。经过对比实验分析可知,本文提出的空洞卷积网络的地震数据去噪算法,能够有效的去除地震记录中与信号频带相似的噪声,保留更多数据中的纹理特征,突出有效波,提高信噪比,提升地震数据质量。