寻找油气的主要方法是对地下介质进行勘探,在勘探过程中受经济效益和环境等不可抗力的影响,地震数据在空间方向上的采样是不规则的或是稀疏的,影响后续地震资料处理,甚至对地下介质构造做出错误分析。传统基于物理建模的方法计算量大且不具备广泛适用性,当前基于卷积神经网络的地震数据规则化方法通常局限在时域范围内,尤其在低采样率下,重建数据过于平滑、纹理细节信息损失严重。本课题基于数据驱动的深度学习方法,联合地震数据时域和频域的特征进行规则化重建,并在此基础上提出两种不同方法,主要内容如下:（1）提出时域和傅里叶域上联合约束卷积神经网络的地震数据规则化方法,学习地震数据在时域与傅里叶域的多维度特征分布重建欠采样地震数据,修正联合损失函数的权重可以调整卷积神经网络学习的注意力,以平衡网络的精度与效率。实验表明本文提出的规则化数据方法与其他方法对比具有更好的细节保持效果。（2）利用小波分析具有多尺度、多方向的特性,更适合表示二维数据的纹理特性,设计一种联合小波域的卷积神经网络模型的地震数据规则化方法,学习地震数据在时域与小波域的联合分布特征以逼近实际数据,将不规则地震数据重建问题转化为在卷积神经网络框架下对各尺度不同方向分量的小波系数预测,通过网络预测的小波系数重建规则化的地震数据;构建时域与小波域的联合损失函数,结合地震数据的整体分布和局部细节特征,约束网络模型,通过修正联合损失函数的权重调整卷积神经网络学习的注意力,能够有效平衡重建地震数据真实质量和信噪比指标。实验表明,与其他方法对比,该方法具有更好的细节保持效果,对地震数据缺失位置不敏感,有较好的鲁棒性。