利用时频电磁资料可同时获取时间域及频率域电磁信息。相比单一时间域或频率域电磁信号,综合利用时频电磁信息可明显提高电性反演精度。为获得精细地电模型,基于正则化反演方法,融合数据约束、模型约束及步长约束,提出一种一维自适应时频电磁联合反演算法。该算法对时间域和频率域数据平衡因子及正则化因子采用自适应调整方案,同时将模型参数搜索范围约束与WOLFE准则相结合,在限制参数搜索范围的同时约束迭代步长,确保反演的稳定性和精度。使用经典层状模型、含噪声的页岩气地电模型及实测数据对该反演方法进行测试与分析,结果表明带约束的时频电磁联合反演方法可有效提高复杂模型电阻率反演的分辨率,对提高时频电磁方法油气藏识别精度具有实际意义。

河流相储层横向变化快、非均质性强，传统建模方法已不能满足目前储层表征的需求。为此，首先利用导航金字塔技术，将地震数据进行分解与重构，重构后的数据更加凸显地质规律，有利于沉积相的刻画；然后采用贝叶斯—序贯高斯地震约束建模方法进行储层建模，建立测井数据与地震属性的约束关系，提高模型垂向分辨率。胜利油田沙二段河流相储层建模实践表明，经导航金字塔技术处理后的地震数据横向表征能力增强，砂体边界识别效果较好；与传统序贯高斯方法相比，贝叶斯—序贯高斯方法模拟模型垂向分辨率更高，砂体预测厚度与实际厚度吻合率达86%，更有利于砂体识别。该方法可为剩余油开采提供指导。

利用地震资料识别断层在油气勘探中有着重要的作用。目前，机器学习和深度学习技术提高了断层识别的精度和效率，但断裂预测结果仍难以满足生产需求。为此，提出基于Transformer的地震断层识别方法，即3D SwinTrans-U-Net。该网络由Swin Transformer模块、卷积模块组成。其中，Swin Transformer模块可以利用Transformer的注意力机制提取全局信息，并将计算全局注意力转变为计算窗口的注意力，从而比Transformer减少了计算复杂度；卷积模块具有归纳偏置的特性，避免了Swin Transformer存在弱归纳偏置的缺陷；最后，利用U-Net结构，结合Swin Transformer层与卷积层，融合深层与浅层的信息并提取相关特征，充分学习全局性和局部依赖性信息，在保证断层识别精度的基础上提高了计算效率，实现端到端的地震断层学习。模型数据和实际数据测试均表明，3D SwinTrans-U-Net网络能进一步提升断层识别精度。

物理驱动的全波形反演方法计算成本高，数据驱动的深度学习反演方法对标记数据集的依赖性强。为了在有限的数据条件下获得更好的反演结果，结合数据驱动与物理驱动，提出了波动方程正演引导的深度学习地震波形反演方法。首先，利用地震数据应用神经网络重建速度模型，对网络预测的速度模型进行正演建模，通过最小化速度模型的误差及地震数据的误差训练网络；其次，使用有限差分法将二阶偏微分波动方程近似为可微算子，使正演过程能够传递梯度，并根据梯度方向动态调整地震数据损失的权重。实验结果表明，该方法能在一定程度上降低数据驱动方法对标记数据集的依赖性，可得到更准确的速度模型，且具有较强的鲁棒性。

地震数据中的随机噪声毫无规律，常规去噪方法难以达到理想的效果，影响后续的地震数据解释和分析。为此，提出一种基于扩散模型的地震信号去噪方法。该方法的前向扩散过程是通过对地震数据进行一定程度的加噪，将地震数据变成存在大量各向同性的高斯噪声的含噪地震数据，再利用训练后的扩散模型对含噪数据进行重建，提高地震数据的信噪比。预测网络部分是基于改进的U-Net网络，该网络中引入了注意力模块和ResNet模块，以提高网络对重要区域的关注度，避免深度网络中的梯度消失问题。理论数据和实际数据的应用结果均验证了文中方法的有效性。该方法去噪效果远超FX滤波、SVD等传统去噪方法，同时也比经典的深度学习网络CNN、GAN更加优秀，能够完整地保留有效信号，极大提升地震数据的质量。

地震信号重建广泛应用的凸集投影（POCS）算法大都采用线性或指数阈值模型，虽然计算效率高，但由于难以完全消除缺失信号泄露引起的噪声，重建效果不佳。为此，提出了一种基于区域阈值模型的POCS地震信号重建方法，将数值阈值转化为区域阈值，将区域滤波窗口作为阈值进行迭代更新。其核心思想是根据时—空域缺失地震信号的频率—波数（F-K）谱分布范围，在每次POCS重建迭代时按照一定规律选取固定大小的矩形或扇形区域作为阈值，将区域内和区域外的变换系数分别保留和置零，以尽可能地保留有效信号的变换系数，构建了地震信号POCS重建的矩形与扇形区域阈值模型。数值试验结果表明：相比于F-K域指数阈值模型的POCS重建，F-K域区域阈值模型对连续缺失信号的重建精度更高； 相比于扇形区域阈值模型，矩形区域阈值模型的重建精度和计算效率均略高； 与曲波域指数阈值模型的POCS重建相比，F-K域区域阈值模型的重建精度相当，但计算效率提高了约90%。

人工拾取速度谱是地震资料常规处理中速度分析的主要手段，此方法既耗时、耗力，又限制了大规模三维地震资料处理的效率和准确性。为此，提出了一种利用双路卷积神经网络的速度谱自动拾取方法。首先，采用卷积神经网络结合注意力机制作为主网络，从速度谱数据中提取能量团的特征并实现速度的自动拾取；其次，训练主网络在输出时间—速度序列之前，通过特征融合和特征转换将速度与另一个卷积神经网络（辅网络）输入的未校正CMP道集的隐藏表征进行信息融合，重构成校正后的CMP道集；最后，通过辅网络模拟CMP道集动校正的过程，利用动校正优化速度拾取的精度。模型和实际资料测试结果表明，在加入辅助神经网络引入动校正信息后，文中方法比单一的卷积神经网络在速度拾取方面具有更高的精度。

在录井过程中，岩屑的岩性分析主要依靠人工，效率较低且稳定性较差，难以在钻进地层过程中快速识别岩性变化。为此，提出基于砂样图像中颗粒岩屑纹理、色泽和形状等特征的岩性智能识别方法。首先，计算砂样图像的像素值梯度并求取颗粒质心，采用分水岭算法获取颗粒岩屑轮廓线并标记；然后，采用图像分割算法从砂样图像中分离出待检测的单个颗粒岩屑图像，建立颗粒岩屑图像样本库；最后，利用注意力机制及特征融合模块改进MobileNetV2网络，提取颗粒岩屑特征并分类，实现单个颗粒岩屑图像岩性识别，进而获取砂样岩性成分比。该方法将以往岩性智能识别过程中常采用的砂样整体识别方式转变为对砂样中单颗粒岩屑的岩性识别，大幅度减少了颗粒岩屑之间的相互干扰。多个油气区块的砂样图像测试结果表明，该方法对灰岩、泥岩、砂岩和页岩的识别准确率均不低于92%，一组砂样图像岩性分析的用时小于10 s。

密度和声波时差测井曲线是沟通地震与岩石物理学的两条重要曲线，也是目前仅有的能够为测井约束地震反演技术提供可靠的全频带地层弹性信息的两条测井曲线。但实际应用中受井壁垮塌、仪器故障等因素的影响，经常会造成密度和声波时差测井数据失真或缺失，且现有的经验模型法、多元拟合法、岩石物理建模法不但存在着重构目标曲线精度低，而且较难处理两条曲线同时重构的问题。为此，提出了将注意力机制融合到二维卷积神经网络中，以强化深度学习网络捕捉测井曲线自相关和互相关特征信息的能力，提升深度学习网络重构声波和密度测井曲线的精度。以准噶尔盆地超深层致密砂岩为研究对象，首先分析了测井曲线自相关和互相关特征与注意力层权重分布规律的关系；然后分析对比了所提网络与门控循环单元、二维卷积神经网络的预测精度，并对所提网络结构参数进行了优化；最后通过合成地震记录验证了目标曲线校正和缺失重构效果，表明所提网络具有较高的预测精度。

在地震勘探中，初至波旅行时的精确求取是偏移成像和旅行时反演等处理技术的重要基础。基于程函方程的有限差分算法在地震波旅行时求取中展现出良好的效果，但需要付出巨大的计算成本，尤其是对多震源、高密度网格的旅行时计算。为此，提出了一种基于物理信息驱动神经网络(PINN)的三维程函方程旅行时求取算法，由三维程函方程及其物理条件信息构成损失函数，再通过最小化该损失函数训练神经网络，最终输出满足程函方程的旅行时结果。不同速度模型的数值模拟实验结果表明，所提方法相对于传统算法具有更高的计算效率和更高的精确度。