混合震源采集技术（简称混采技术）作为地震勘探中一种新的采集方式,具有采集效率高、勘探成本低等优点,但混采方式会不可避免地引入混合震源叠加噪声（简称混叠噪声）,影响采集数据后续的处理和解释。混叠噪声降噪技术可以压制混叠噪声,将混合震源数据分离为常规单震源数据,但传统混叠噪声降噪方法参数选择困难,计算成本高,对相关从业人员依赖性强,尤其随着物探技术发展,采集的地震数据量成爆炸式增长,对地震数据处理所要求的人力物力成本逐渐加大,急需探寻一种新的智能化方法缩减成本。基于深度学习的混叠噪声降噪方法人工依赖性低、训练完毕后计算速度快,可对海量地震数据进行智能化批量处理,是目前研究的热点。因此,本文开展了基于深度学习的混叠噪声降噪研究,针对地震数据降噪任务特点分别对DnCNN与Vision Transformer两种深度学习模型结构进行改进,并应用于混叠噪声降噪问题,取得了较好的效果,主要工作如下:（1）将视觉领域经典深度学习降噪模型DnCNN应用于混叠噪声降噪。根据混叠噪声与高斯随机噪声相似的加性特点,将含有混叠噪声的地震数据以图像形式参与DnCNN训练,并将训练完毕的模型用于真实地震数据混叠噪声降噪。实验结果表明,DnCNN能够准确提取出含噪地震数据样本中的混叠噪声,经处理后地震数据信噪比明显提升,分离所得单震源数据样本较为清晰,满足后续地震数据处理与解释的需要。（2）针对DnCNN训练过程中稳定性差、频繁出现损失曲线震荡和过拟合等问题,提出一种改进的DnCNN。改进DnCNN使用混合空洞卷积模块替换原模型隐藏层中的普通卷积以扩大感受野、消除“网格效应”,并配合神经元失活机制减少过拟合问题。实验结果表明,改进DnCNN在学习率较大的情况下仍能快速稳定地趋于收敛,对于混叠噪声提取能力较DnCNN更强,且能够在提取混叠噪声的同时妥善地保护有效信号,使得降噪结果中有效信号较弱的部分也清晰可见。（3）针对地震数据降噪任务特点,将原本用于分类任务的Vision Transformer进行改进并将其应用于混叠噪声降噪。Vision Transformer基于自注意力机制,进一步提升模型的混叠噪声特征提取能力。实验结果表明,在拥有大量训练数据的前提下,Vision Transformer相较于由卷积、残差等结构组成的CNN模型,针对混叠噪声提取更准确、全面,降噪性能更强,使用Vision Transformer对含混叠噪声的地震数据样本进行处理,显著地减少了噪声中有效信号残留,有利于后续地震数据解释与处理。