在地震勘探中,层位追踪是解析、处理地震资料的基础工作,准确的层位信息能为地震勘探的资料处理与分析提供更好的基础工作。地震相分析技术用于解释地震资料中地质地层构造、预测油气的储存情况,为处理地震资料提供参考。近些年随着数据采集方法和技术的持续发展,地震数据资料中蕴涵的信息也随之增加。传统的层位追踪、地震相识别方法工作量大、效率低、精度差,解释过程中经常依赖于翻译人员的主观经验知识。深度学习是依托于数据的高效分析方法,可精确提取地震数据中有关层位与地震相的关联信息与有效特征。本文研究深度学习的神经网络模型分析地震数据,研究其与地震层位、地震相的映射关系。针对现有方法中工作量大、效率低和精度差的问题,研究了基于深度学习中计算机视觉的任务,实现地震层位的追踪与地震相的识别。其中研究内容如下:（1）基于改进残差网络的地震相识别模型地震相识别是地震资料解释的一项基础工作,使用基于深度学习的地震相识别可以极大提升地震数据解释效率。现有语义分割模型的大规模特征通常由深层低分辨率的特征映射得到。其不仅牺牲空间分辨率、忽略细节信息,同时低分辨率到高分辨率的简单上采样也会损失精度,导致模型对于地震相类别间的边缘精细度刻画差。针对这些问题,提出一种基于提升边缘准确度的地震相识别模型（Res Net-RRM）。其在改进的Res Net网络末端加入RRM（Residual Refinement Module,RRM）模块强调特征重构和提炼,捕捉全局信息,获得良好的边缘刻画效果。将方法应用于F3工区数据,相比基于UNet的语义分割模型,改进的残差网络语义分割模型在地震相主测线剖面的预测中有着更高的精度与更加良好的边缘刻画结果。（2）基于ResNeXt的地震层位追踪模型针对于地震层位标记数据不足的问题,使用224×224大小的窗口分别在地震主测线、联络测线剖面取Patch小图像,实现对于标记数据的扩充。针对语义分割模型编码器部分使用Res Net参数量过高、导致训练过程速度变慢、增加模型收敛速度等问题,提出层位追踪模型（Att-Res Ne Xt）,其在编码器部分使用Res Ne Xt50分类网络在参数量不变的情况下提升特征提取能力,简化Deep Lab V3+,引入通道空间（Convolutional Block Attention Module,CBAM）轻量级注意力机制,提高模型性能。在F3工区数据的层位追踪结果表明,AttRes Ne Xt相比UNet、PSPNet、Deep Lab V3等模型有着更好的追踪结果,同时准确率也有一定提升。