地震勘探因其具有较强的地层穿透能力,成为油气矿产勘探领域的有效手段。在我国油气资源对外依存度逐渐升高以及“向地球深部进军”被确定为必须解决的战略科技问题的大背景下,如何实现大规模地震数据采集已成为当前工业界和学术界研究的热点问题。目前,由于勘探成本和野外环境等因素的限制,提升硬件资源的使用效率是实现更大规模地震数据采集工作的一个新思路。因地震数据具有非线性特征多样化的特点,现有的地震数据高效采集方法在自适应性、特征关系提取等方面均有不足之处。针对现有方法的不足之处,本文结合压缩感知、稀疏表示、机器学习三种理论,提出了智能感知采集方法。根据两种常见的地震数据采集工作场景（常规地震勘探和压裂微地震监测）的特点,设计了两种不同的分布式地震数据智能采集方法:基于多跳网络的地震数据智能感知采集方法和基于微地震事件检测的智能感知采集方法,并且通过数值试验证明了两种方法对采集效率的提升水平。论文的主要研究内容如下:（1）研究了地震数据高效采集方法的相关理论:包括压缩感知、稀疏表示、机器学习,针对这几种理论的优缺点,结合地震数据采集的特点,以互补的方式对三种理论进行融合,提出了智能感知采集方法。具体而言,智能感知采集方法以压缩感知理论为基本框架,通过引入稀疏表示与机器学习算法实现稀疏性约束条件下基于数据驱动方式的非线性特征提取与拟合能力,从而既能保证该方法具有较强的自适应性,又能同时解决传统高效采集算法忽略输入数据稀疏性特征、非线性特征的问题。（2）针对地震数据的特征和采集系统网络结构特点,设计了分布式地震数据智能感知采集方法的总体方案。通过从地震波动方程和信息熵理论两个方面对地震数据稀疏性进行分析,论证了地震数据满足进行高效采集方法研究的前提条件。结合地震数据采集工作的两类主要应用场景:常规地震勘探和压裂微地震监测,分析了二者的网络结构特点。根据智能感知采集方法的基本思想,将数据采集策略与应用场景的特有规律（地震数据特征、网络结构特点）相结合,提出了这两种应用场景所对应的智能感知方案:基于多跳网络的地震数据智能感知方案和基于微地震事件检测的智能感知方案,完成了地震数据智能感知采集方法的总体设计。（3）根据基于多跳网络的地震数据智能感知方案和常规地震勘探数据采集工作的特点,提出了基于多跳网络的地震数据智能感知采集方法。针对常规地震勘探中存在的多跳数据传输不平衡问题,设计了基于多跳网络的压缩编码框架。该编码框架将压缩感知的观测过程与网络拓扑结构进行结合,在数据传输的同时进行基于测量矩阵的压缩编码。针对测量矩阵优化问题和数据重构问题,提出了基于生成对抗网络的压缩感知算法。该项关键技术将生成对抗网络与压缩感知理论相结合,根据压缩感知过程设计生成对抗网络的基本结构,以压缩感知理论约束生成对抗学习过程,通过生成对抗机制和卷积神经网络为压缩感知算法自适应地提取信号特征,从而实现高质量的数据重构。根据数值试验结果,基于多跳网络的地震数据智能感知采集方法能够在只引入信号能量的¹₁₀₀₀左右的噪声水平下,将测线能够支持的最大采集规模扩大为原来的16倍,而且还将整条测线中数据传输的能耗降为原来的₈¹。（4）根据基于微地震事件检测的智能感知方案和压裂微地震监测数据采集工作的特点,提出了基于微地震事件检测的智能感知采集方法。针对压裂微地震监测中存在大量无关数据被传输的现象,提出了基于微地震事件检测的压缩采样技术。该项关键技术将基于机器学习的分类算法与压缩采样结合,根据地震信号在时间域的尺度和随机采样理论,设计了广义抖动随机采样方法在时间域对地震数据进行欠采样;然后根据微地震信号在局部形态、时序关系、概率分布三个方面的特征,设计了融合卷积神经网络、递归神经网络和概率图模型的机器学习算法来识别微地震事件,进而减少微地震数据在时间域的冗余度。针对微地震数据的稀疏表示问题,提出了基于奇异值分解的聚类字典学习算法。该算法通过奇异值分解提取信号的特征作为初始稀疏基,然后通过更新位置限制和聚类方法进行近似值优化以不断更新稀疏基。最后通过SPGL1算法使用该稀疏基将欠采样数据恢复成微地震信号。根据数值试验结果,基于微地震事件检测的智能感知采集方法能够在引入噪声的功率为原始信号的¹₁₀₀时,减少30%的数据记录能耗,且在低信噪比（-15dB）环境下维持高准确率（96.83%）的微地震检测,以减少大量无关数据的传输（通常减少90%以上）,即在同等通信水平下,大幅度提高系统支持的最大采集规模（10倍）。综上所述,本文研究的分布式地震数据智能感知采集方法能够大幅度提高采集系统对带宽、能量的使用效率,从而能够在硬件条件不变的情况下,容纳更多的采集节点,实现更大规模的数据采集工作,进而为大规模地震数据采集系统的发展提供了新的思路,也为深部油气资源勘查装备的智能化研究提供了理论参考。