断层解释是地震资料解释的关键环节之一。随着人工智能技术的发展，断层的自动、快速识别成为机器学习方法在地球物理领域应用的一个研究热点。目前，断层智能识别还存在着模型训练难度大以及实际资料预测效果不理想等问题。为此，提出一种基于U-Net深度学习网络的地震数据断层检测方法，即在网络结构中结合U-Net和残差模块Res-50，构建了新的网络——ResU-Net。ResU-Net利用1×1×1卷积核处理特征图像通道数，在减少网络时间复杂度的同时，在原有U-Net基础上扩展了网络的深度，有效提高了网络的运算效率和学习能力，可快速、准确地识别断层。通过合成数据集进行训练和测试，证明ResU-Net具有更小的时间复杂度，并且通过设置合适的网络输入、数据扩充和重叠边界加权处理，解决了实际数据体不规则情况下的断层检测等问题。实际数据应用结果表明，ResU-Net训练模型抗噪能力强，泛化能力强，预测的断层准确性高、连续性好。

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。

正则化是缓解反演不适定性、约束解特征的重要方式。Tikhonov正则化、全变分（TV）正则化是全波形反演中常用的两种正则化方法，分别具有压制高波数和保护地层边缘的特点。双参数整形正则化、混合双参数正则化和稀疏结构约束正则化是在二者的基础上发展而来，并具备各自优势。为系统论证不同正则化方法特点，对五种正则化方法的全波形反演进行了对比分析。背斜—超覆模型、Marmousi模型测试表明，不同的正则化方法均对反演结果有不同程度的改进。双参数整形正则化兼具Tikhonov正则化和TV正则化的优势，并可有效提高深部反演精度。混合双参数正则化能进一步提高浅层反演精度。相较于其他方法，稀疏结构约束正则化无论在地层连续性，还是在边缘结构的刻画上均有明显优势。

不同于传统的深度学习反演方法，文中提出一种基于先验约束的深度学习地震波阻抗反演方法：参照地震相类型分割待反演区域，且将区域分割结果作为一种明确的空间约束条件监控网络模型的反演过程；将蕴含丰富低频信息的初始模型作为一种标签以丰富反演结果的低频信息；并使用一种强抗噪性激活函数提高网络模型对噪声数据的适应能力。为降低标签数据的获取难度并保证网络的反演精度，还采取半监督学习方式对网络模型进行训练。将所提方法应用于Marmousi 2模型，测试结果表明反演效果良好且具有较强抗噪性能；随后将该方法成功地应用于M油田实际勘探数据。

溶洞识别对于缝洞型油气藏的勘探与开发具有重要意义。传统溶洞识别方法多解性强且效率低，因此将具有强特征学习能力、高泛化性的深度学习方法引入溶洞识别中，但溶洞的地震波场响应特征复杂、异常体尺寸较小、训练样本难以获取等导致深度学习在识别溶洞时仍具挑战性。为此，提出一套识别地震数据溶洞的“两步法”深度学习方法：首先通过U-Net模型识别地震剖面上的“串珠状”异常反射；再根据“串珠状”异常识别结果对地震数据进行小范围截取，输入深度残差网络中，实现对实际溶洞轮廓的预测。对于实际溶洞预测训练数据难以获取这一问题，采用波动方程正演模拟的方法制作具有准确标签的溶洞地震数据。实际地震数据的应用表明，该方法对于溶洞识别准确性高，抗噪能力强，可以极大地节约人工解释成本。

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。

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。

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。

地震勘探数据中包含的噪声比较复杂，基于先验的传统建模方式无法准确地刻画噪声分布。深度学习通过多层卷积神经网络自动提取数据的深层次特征，利用非线性逼近能力自适应地学习而得到一个复杂的去噪模型，为地震数据去噪带来了新思路。但是，目前基于深度学习的去噪方法在样本覆盖不充分的情况下，学习得到的模型泛化能力不强，极大地降低了去噪效果。为此，提出一种鲁棒的深度学习去噪算法。该方法的网络模型由两部分子网构成，分别实现含噪地震数据的噪声分布估计与噪声压制。噪声分布估计子网采用多层卷积神经网络估计噪声分布；去噪子网引入特征融合策略，综合考虑地震数据的全局和局部信息，利用残差学习策略提取噪声特征；两部分子网采用L₁范数作为损失函数，增强网络模型的泛化能力。实验表明，与同类算法相比，该算法具有更高的泛化能力；数据处理结果中同相轴纹理保持更好，信噪比更高。

由于沉积环境的特殊性和复杂性，地下介质中不同反射界面的波阻抗差可能差异巨大。如果储层的有效反射信息较弱，在地震数据中极可能被强反射信息掩盖，不易被识别，影响了储层识别效果，因此亟需一种解释性处理技术突出弱反射信息。常规方法一般是先从地震数据中分离出强反射分量，再将它削弱或删除。但如果地震子波提取不准确，减去法中强反射残留会引入虚假信号。文中提出了一种“升弱降强”的新思路，通过构建幂次反射系数映射模型缩小弱反射信号与强反射信号的相对差异。首先计算测井反射系数的幂次反射系数，将弱反射系数相对增大、强反射系数相对减小，得到拟反射系数序列；再用原始反射系数序列和拟反射系数序列分别与地震子波进行褶积运算，得到合成地震记录和拟合成地震记录，生成训练样本集；然后用该样本集训练长短期记忆(LSTM)循环神经网络，建立合成地震记录与拟合成地震记录的映射关系；最后将该网络应用于地震数据，增强了地震弱反射信号。模型和实际数据应用结果表明，该方法能有效增强地层本身引起的弱反射信号，提高地震数据的储层识别能力。

四川盆地蕴含丰富的致密砂岩气资源，近期利用高精度三维资料开展侏罗系沙溪庙组河道砂体勘探取得突出成效。沙溪庙组河道砂体具有横向变化快、储层非均质性强的特点，因此提高河道砂体的边界识别及其含气性预测精度是致密气地震勘探的关键。通过开展AVO特征低频保护的“六分法”（分类、分频、分时、分域、分步和分区）高保真叠前去噪、近地表Q补偿和OVT域叠前时间偏移等技术攻关，形成了一套针对川中地区侏罗系沙溪庙组致密气藏的“双高”（高保真、高分辨率）地震处理技术，并创新应用“双亮点”属性及多波、多分量砂体含气性地震预测等解释技术，提高了含气砂体预测精度。该技术系列在川中沙溪庙组致密气预测应用成果显著，地震数据频带得到了拓宽，低频信息更加丰富，资料信噪比明显提升，河道边界及其含气性预测的精度大幅提高，钻井成功率超过83%，应用成果有力地支撑了该地区沙溪庙组致密气的增储上产。

由于地表地形和地下构造的复杂性，山前带地震成像一直是地球物理勘探的难题，其中的难点之一是速度建模。为了改进山前带的地震成像，提出了一个以联合层析速度建模为关键技术的处理流程，包括：①利用复数域小波变换（CWT）的抗假频和高保真优点，在压制噪声的同时保护有效信号，尤其是低频信号；②拾取全炮检距初至，采用回转波层析反演得到可靠的浅层速度模型；③优化初始速度模型，通过浅、中、深联合层析速度反演和井约束建立全层速度模型；④通过基于真地表的TTI各向异性叠前深度偏移进行高陡构造成像，刻画复杂断块。将该方法应用于准噶尔盆地南缘山前带米泉三维实际资料的处理，结果表明：线性和含假频噪声得到了有效压制，低频信号得到保留；偏移剖面整体上归位更加合理，同相轴连续性明显提高，井震吻合度较高，地质目标的构造形态和断裂展布规律更加清晰，更有利于后续解释。该方法的成功应用不仅为准噶尔盆地山前带地震成像带来了希望，而且可以推广到世界上其他地区的山前带地震成像中。

随着全球油气藏勘探开发研究的不断深化，地质、钻井、地球物理等油气勘探技术持续进步，综合应用多种油气勘探方法已成为必然趋势，但不同勘探方法之间存在着刻画尺度差异。井中地震数据以其信噪比高、频带宽、波场信息丰富等特点成为综合应用多种勘探方法的纽带。从井中地震数据特征分析出发，分析了井中地震技术的桥梁作用。一是在钻探与地震勘探之间起到的分辨率弥补、精细层位标定、测井曲线校正等作用；二是在时间域与深度域勘探方法之间发挥了井控时深转换、地层深度预测、储层物性预测等作用；三是在纵波与横波地震勘探之间为地震波性质研究、纵横波域的转换、拟横波声波速度求取、纵横波联合反演等提供支持；四是在地震勘探向精细油藏开发延伸的过程中发挥了地震地质导向、精细构造解释、井控地层属性筛选和储层压裂监测等作用；五是为油藏静态描述与动态监测联合研究搭建桥梁，时移井中地震技术、光纤传感技术等在该领域展示出良好的应用前景。

地震分辨率问题一直引领着地震勘探技术的发展方向。在分析地震分辨率与信噪比关系基础上，明确了地震资料品质定量表征方法。在剖析地震资料解释极限基础上，定义了地震地质解释能力作为地震资料实际可解释地质细节的能力。厘定了高分辨率地震勘探和高精度地震勘探的概念及差异。分析了影响地震分辨率的各种因素，并将其划分为地震子波内在因素和外在(地震、地质)因素两类。从地震采集、处理和解释三个方面阐述了提高分辨率的技术途径和未来发展方向。

使用基于有监督机器学习分类器的岩性预测方法时，如果样本集中目标岩性样本过少，而非目标岩性样本过多，在这种不平衡样本集上训练分类器会使预测结果向非目标岩性偏倚，导致目标岩性的预测准确率较低。为了解决这一问题，提出一种针对不平衡样本集的随机森林岩性预测方法。首先，以录井岩性数据作为岩性样本标签，以井旁道地震属性和岩石弹性参数作为岩性样本特征构建岩性样本集；其次，将近邻清除算法（NM）与合成少数类过采样算法（SMOTE）相结合形成NM-SMOTE算法，对岩性样本集进行平衡化；然后，用平衡化的岩性样本集训练随机森林分类器，建立多种地震属性、弹性参数与岩性之间的非线性关系；最后，将目标探区的地震属性和弹性参数输入随机森林分类器，随机森林分类器将依据训练时得到的地震属性、弹性参数与岩性的非线性关系预测岩性。实际数据测试结果表明：训练样本集中过多的非目标岩性样本会对随机森林分类器的预测效果带来负面影响，岩性预测准确率仅为38%；使用NM-SMOTE算法对训练样本集进行平衡化后，岩性预测准确率提高至83%，获得的岩性数据体与地震资料吻合程度更高。

施工成本和现场环境等因素导致所采集的地震数据有缺失，进而影响后续地震数据的处理和资料解释，对缺失的地震数据进行重建具有重要意义。根据压缩感知理论，若数据具有稀疏特征，则在低于奈奎斯特采样频率的条件下通过优化算法即可恢复完整数据。文中提出基于压缩感知的平方正则交替乘子方向算法（SR-ADMM）的地震数据重建方法。SR-ADMM算法在交替乘子方向算法迭代过程中加入了平方正则项，且是自适应地选取参数平衡因子。首先用字典学习对缺失地震数据进行稀疏表示，然后用SR-ADMM算法解决最优化问题并重建缺失的地震数据。模拟地震数据和大庆油田实际数据的重建结果表明：所提的基于SR-ADMM算法压缩感知地震数据方法的重建精度较高，且具有实用性。

随着地震勘探数据量的逐渐增大，常规地震速度建模方法在稳定性、精度和计算效率等方面均面临挑战。为此，提出一种利用反射地震资料和多尺度训练集的深度学习速度建模的方法，即将反射波形数据和速度谱联合作为全卷积神经网络的输入，并在网络中引入Dropout层提高泛化能力，结合多尺度训练集，实现从地震数据到速度模型的映射。为了测试该方法在不同地质构造条件下的效果和适用性，分别应用层状模型、孤立异常体模型和BP盐丘模型进行数值实验。实验结果表明，联合使用地震反射波形和速度谱作为深度学习特征数据集时，速度建模准确性优于仅采用地震反射波形或速度谱作为特征数据集的结果，并克服了单独使用反射波形导致建模不稳定和单独使用速度谱建模精度不足的缺陷；使用多尺度速度模型构建训练集的速度建模结果在异常体边界的准确性优于采用单尺度模型训练集；深度神经网络只需经过一次训练，就可以快速地对与训练集中速度结构相似的地下构造进行速度建模，比常规方法具有更高的计算效率。在构建大量速度模型时，该方法具有很好的推广价值。

煤系地层油气资源发育潜力较大,现有地震岩石物理建模方法欠缺对储层含煤后岩石物理性质的系统研究。为此,利用自洽(SCA)模型耦合煤的影响,将其以包含物的形式加入背景介质中,构建一种适用于含煤储层的地震岩石物理模型;通过分析煤层占比、泥质含量、含水饱和度及孔隙度等微观物性参数对岩石弹性模量的影响,优选表征储层物性特征的敏感弹性参数;推导出以纵波速度为约束的岩石物理反演目标泛函,利用模拟退火全局寻优算法实现了横波速度的预测。将该方法应用于实际测井数据,预测横波速度与实测数据吻合度较高,证明了该模型对煤系地层的适用性。

湖相碳酸盐岩油气勘探逐渐受到重视,但目前相关的研究方法、成果尚处于初步阶段,缺乏系统性梳理。为此,首先广泛调研、系统总结近年来湖相碳酸盐岩的地质、测井和地球物理等方面的主要研究进展,并以济阳坳陷为例进行重点解剖;然后对比、分析湖相与海相碳酸盐岩特征,以此展望未来湖相碳酸盐岩的研究技术和方法。研究认为:①目前湖相碳酸盐岩地质理论方面的研究尚处于初期,没有统一、成熟的沉积相划分方案;湖相碳酸盐岩主控因素为古气候、古构造、古水介质条件、古地貌和古物源;储集空间可分原生孔隙、次生孔隙和裂缝三类,影响因素分别为沉积环境、成岩作用和构造作用。②湖相碳酸盐岩具指形、圆弧形、齿形、U形等测井相特征,目前主要利用沉积微相识别储层、分析流体性质。③湖相碳酸盐岩地震振幅切片常具有典型的滩核特征,利用分频成像、90°相移技术可提高识别能力。④湖相碳酸盐岩与海相碳酸盐岩在发育年代、空间分布、沉积相特征、储层类型与特征、烃源岩等诸多方面存在差异。前者发育于中生代和新生代,受古气候影响大;后者则多发育于侏罗系、二叠系、三叠系、奥陶系和寒武系,主要受潮汐影响。⑤未来湖相碳酸盐岩储层预测应围绕断裂和薄互层两个方面展开;湖相碳酸盐岩的沉积理论有望得到进一步发展,以形成统一的相带划分模式;基于大数据分析的深度学习方法,是未来重要的发展方向。

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。

四川盆地川南地区龙马溪组深层页岩气资源丰富，但地质、工程条件复杂，如何发挥地球物理技术在页岩气高效勘探开发中的作用显得尤为重要。为了解决复杂山地地震资料采集效率及其品质、分辨率不高，“甜点”和微断裂难以准确预测，以及压裂改造精准监测难等问题，系统总结了适用于该区的深层页岩气地球物理勘探技术最新进展，同时提出了下一步的攻关方向。研究结果表明：①节点仪与智能化地震队可以有效提升地震资料采集效率，动态井深泥岩追踪和井炮可控震源联合激发可以提高原始单炮和地震资料品质；②井驱高分辨处理和真地表TTI各向异性叠前深度偏移提高了地震资料成像精度；③地质统计学反演、GeoEast智能裂缝预测、地震地应力预测等技术分别提高了薄储层、裂缝和地应力等的预测精度；④爬行器带动检波器实现了全水平段的微地震监测，激发电磁法压裂监测技术为压裂监测及效果评估提供了新的技术手段，而基于DAS光纤传感技术可以实现对储层改造更为精准的监测；⑤深层页岩气地球物理勘探技术已经取得了阶段性进展，但是针对四川盆地川南地区深层页岩气储层，还需要在DAS联合立体勘探、高保真偏移成像、基于DAS的全生命周期一体化服务方面加强技术攻关，才能形成适合于中国南方复杂山地的深层页岩气地球物理勘探配套技术系列。

地下介质的吸收衰减效应严重降低了地震信号的探测深度，限制了高分辨率地震勘探的发展。反Q滤波技术是补偿地层吸收衰减、提高地震分辨率的重要手段。然而，传统的反Q滤波方法本身并不具备信号识别能力，在补偿地震信号的同时会放大噪声干扰。为此，文中提出一种信号自适应识别的多道吸收补偿方法，其核心思想是利用地震信号的空间构造特征提升吸收补偿算法的稳定性和精度。该方法主要实施流程包括四步：首先，利用空间预测算子对反射信号的空间构造特征进行数学表达；再根据信号预测算子构造空间反射结构约束项；然后，将反射结构约束项加入多道吸收补偿目标函数，得到吸收补偿反演系统；最后，求解多道反演目标函数，得到吸收补偿结果。模型数据测试和实际资料应用结果表明：所提方法不仅能提高地震资料的分辨率，还可保护补偿结果的空间构造特征和信噪比，具有较强的稳定性和一定的实用性。

弹性波全波形反演（EFWI）是一种高精度成像方法。由于EFWI本质是一个强非线性问题，因此常采用局部优化算法进行求解，不同优化算法的反演结果差异很大。在较为常用的共轭梯度法（CG）、L-BFGS法（Limited-memory Broyden-Fletcher-Goldfarb-Shanno Algorithm）的基础上使用伪Hessian矩阵作为梯度预条件算子，实现了预条件共轭梯度法（P-CG）和预条件L-BFGS （P-L-BFGS）反演方法。文中首先对这四种优化算法的原理及实现流程进行了介绍；然后通过绕射体模型和Marmousi Ⅱ模型对四种算法进行测试。结果表明：①近似Hessian预条件算子可以对深部能量进行补偿，并加快反演的收敛速度；②CG法、P-CG法实现较为简单，但由于仅使用了一阶梯度信息，无法对多参数耦合效应进行压制，对于较为复杂的MarmousiⅡ模型，P-CG法可得到略差于L-BFGS法的反演结果；③L-BFGS法和P-L-BFGS法的实现更复杂，但由于在反演过程中使用了近似Hessian矩阵，对于多参数耦合效应具有一定的压制效果；④对于MarmousiⅡ模型，L-BFGS法和P-L-BFGS法都能反演出精度较高的纵、横波速度模型，但密度反演会出现过拟合现象。

利用单纯绕射波场实现地下地质异常体的识别具有坚实的理论基础，对应的实施方法得到了广泛研究，且有效地应用于实际勘探。但现有技术在微小尺度异常体成像方面收效甚微，相关研究多数以射线传播理论为基础，对于影响绕射波分离成像精度的因素分析并不完备。相较于反射波，由于存在不连续构造而产生的绕射波能量微弱并且相互干涉，同时环境干扰使得绕射波进一步湮没。因此，更高精度的波场分离及单独成像是现阶段基于绕射波超高分辨率处理、解释的重点研究方向。为此，首先针对地球物理勘探中地质异常体的准确定位，以携带高分辨率信息的绕射波为研究对象，系统分析在不同尺度、不同物性参数的异常体情况下绕射波的能量大小及形态特征，掌握绕射波与其他类型波叠加的具体形式；然后根据相应特征性质提出基于深度学习技术的绕射波分离成像方法，即利用Encoder-Decoder框架的空洞卷积网络捕获绕射波场特征，从而实现绕射波分离，基于速度连续性原则构建单纯绕射波场的偏移速度模型并完成最终成像。数据测试表明，该方法最终可满足微小地质异常体高精度识别的需求。

随着海洋油气勘探开发技术的发展，水、陆双检海底接收的应用日趋广泛，上下行波场分离作为双检数据处理的关键技术，决定了资料处理品质及应用效果。在双检数据上下行波场分离技术的发展过程中，国内外学者提出了许多切实可行的技术方案。本文通过系统调研国内外相关文献，对上下行波场分离方法和技术进行了归纳和总结。首先基于波动理论，把双检数据与上下行波场联系起来，建立了双检数据标定和上下行波场分离的理论基础：水、陆检数据接收的波场分别为压力波场和质点垂直速度波场，可以分解为上行压力波场和下行压力波场及上行质点垂直速度波场和下行质点垂直速度波场；下行压力波场与下行质点速度波场振幅成正比，且极性相同，上行压力波场与上行质点速度波场振幅成正比，且极性相反。然后针对海底电缆/海底节点（OBC/OBN）水、陆检数据，建立了基于消除海水鸣震的双检数据处理技术。最后，总结出7种双检数据上下行波分离方法，包括：常数标定因子分离、频率—波数域分离、镜像分离、去虚反射分离、最优去虚反射分离、检波器脉冲响应分离和τ-p域分离等方法。双检数据上下行波场分离之前，首先要进行检波器脉冲响应校正；然后进行双检数据匹配和标定处理等，使水检数据中上下行压力波场与陆检数据中上下行质点垂直速度波场振幅和频率趋于一致，且由于下行压力和质点垂直速度波场极性相同、上行压力和质点垂直速度波场极性相反，陷波问题得到补偿，检波点端虚反射得到合理压制；最后实现最佳的上下行波场分离处理。

鄂尔多斯盆地东缘LX区块二叠系石盒子组发育河流相致密砂岩储层，高产气层具有孔隙度大于12%、渗透率大于1 mD、含气饱和度大于50%等特征，寻找高产“甜点”亟需开展储层参数定量评价。基于传统地震反演间接预测孔隙度等参数的方法精度低。LX区块地震数据与测井曲线对应关系不一致，存在大量矛盾样本，导致常规卷积神经网络难以应用。为此，在常规卷积神经网络模型的基础上增加一个全连接网络结构。地震数据与测井数据之间通过托布里兹局部网络结构连接，用于解决储层参数与地震数据不直接相关问题。全连接网络结构通过引入线(道)号、层位、地震相等先验信息，可以解决矛盾样本问题。通过引入地层格架、地震相等先验约束信息，构建了适用于致密储层的深度学习网络模型，形成了地质导向的样本井优选方法，从而定量预测储层参数、刻画了高产气层“甜点”平面展布。实际应用结果表明，孔隙度、渗透率、含气饱和度预测结果与井数据吻合度高，新部署的5口钻井测试无阻流量均超过1万m³/d，有力推动了致密气高效开发。

深度学习为传统地震资料解释技术的发展带来了强劲动力，由此催生了大量的智能化解释技术。但目前的研究成果很少能实现规模化生产应用。为此，面向中、低信噪比地震资料，着力基于深度学习的智能化解释技术工业化落地。在开发智能化软件研发平台的基础上，形成了具有较强资料适应能力的智能化层位解释与断层检测技术，在大规模连片资料层位解释、复杂断块精细描述中发挥了重要作用。与传统的自动解释技术相比，该技术的层位解释效率提高8~20倍，断层识别精度相对于相干、曲率属性等得到显著提高。目前已能完全取代原有的自动解释功能，基本实现了构造解释的智能化转型。

随着高效采集和“两宽一高”地震勘探技术的发展，地震采集数据呈现指数级的增长，这给地震采集资料现场质量评价带来了挑战。为此，研究了海量地震资料现场评价理论方法及其在海量地震数据采集质控中的适应性。由于任何单属性模型均难以完全表征地震资料品质，因此设计了多元属性单炮记录判别分析模型及其生产流程；针对多元属性单炮记录判别分析模型完全依赖标准记录和阈值存在主观性强的缺陷，提出了海量地震资料品质智能分类模型；结合海量地震数据特征分析，建立了基于随机森林的单炮记录智能评价流程；利用三种样本增强技术，解决了单炮记录学习样本少及不平衡问题；研究了单炮记录随机森林分类算法及其关键技术，包括连续性地震属性的分支节点构建、建模参数选取及分类结果评估方法。实验数据处理结果说明，新方法结果正确且易于高度并行化处理。最后，通过对这些模型的相互关系及其适应性与时效性分析，说明多模型的联合应用可满足海量地震数据采集现场质控需求。

基于叠后地震波形指示反演在薄储层预测方面的优势，以及叠前弹性参数较叠后弹性参数信息更丰富、对储层的敏感性更高的特点，根据岩石物理资料，应用地震驱动+储层构型约束的高精度叠前随机反演方法，探寻定量表征优质薄页岩的技术，以期为深层页岩气地质甜点预测提供技术支撑。首先，基于道集波形相似性、AVO特征和空间距离的三变量优选方法提取结构相似的井数据作为空间估值样本，然后建立待判别道集初始模型；其次，以统计的弹性阻抗作为先验信息，应用“基于叠前道集特征指示的马尔科夫链-蒙特卡洛随机模拟算法”进行叠前地震波形指示反演，最终得到高精度的叠前弹性参数反演成果。实际应用表明，应用所提方法有效预测了龙一段一亚段1-2小层优质页岩厚度，基于特征参数的井震高频模拟精确模拟了龙一段一亚段1-2小层地质甜点参数，为页岩气勘探提供了技术支撑。

海底节点(Ocean Bottom Node，OBN)地震数据采集时，通常会记录描述三分量检波器在海底放置姿态的定向参数。利用现场记录的定向参数，通过三分量旋转对三分量数据进行现场重定向校正，可有效消除由三分量检波器放置姿态引起的记录波场在不同分量上的串扰现象。但是，如果现场记录的三分量检波器定向参数缺失或精度低，就需对OBN地震数据进行基于数据的三分量检波器定向分析和校正。为此，提出了一种综合利用OBN三分量记录不同分量上的初至波和反射波能量的三分量检波器重定向分析方法，并给出了实际OBN数据的三分量检波器重定向处理流程及效果质控手段。由于综合利用了初至波和反射波信息，该方法既适应深水也适应浅水OBN数据三分量检波器重定向处理，并且具有很好的稳定性。

吉木萨尔凹陷芦草沟组甜点段微小断层非常发育，严重影响开发效果。以往依赖常规测井、成像测井以及野外露头识别微小断层，仅限于单井裂缝识别，无法有效获得微小断层的平面展布形态。目前主要利用叠前/叠后地震数据计算波形的几何特征识别断层，但对地震数据信噪比要求较高，且难以预测断层的开启性。为此，通过基于横、纵向组合的卡尔曼滤波技术得到最大正、负曲率属性，同时结合实钻井井漏、压裂窜扰以及地层倾角等信息研究断层开启性。具体流程为：首先，应用横、纵向组合卡尔曼滤波技术对原始地震数据滤波，由于断层各向异性较弱，为保证资料具有较高的信噪比，不对滤波后地震数据进行分方位处理，直接求取最大正、负曲率体；其次，利用构造解释层位提取甜点段平面曲率属性，识别断层及断层平面组合；再次，根据识别的断层统计井轨迹在断点附近的钻井井漏、压裂窜扰以及地层倾角等数据；最后，统计曲率类型、曲率值以及断层走向与钻井井漏、压裂窜扰、地层倾角的关系。得到以下认识：①最大正曲率值大于500ft^-1的北东—南西向断层多为开启性断层，最大正曲率值约为300 ft^-1的北西—南东向和北东—南西向两组断层多为半开启性断层，最大负曲率绝对值大于300 ft^-1的近南北向以及北东—南西向断层多为封闭性断层；②断层附近地层倾角变化较大，曲率值越大，倾角变化越大。

四川盆地火山岩发育区生储盖组合配置好，油气成藏条件优越。2018年，YT1井获得高产工业气流，证实了该区二叠系火山岩具有较大的油气勘探潜力。但由于以往地震资料的信噪比低、成像精度不高，难以满足火山岩有利相带的精细刻画及井位部署需求。为此，通过高精度三维观测系统设计、井—震联合采集施工、动态激发井深设计、低频检波器接收技术等采集关键技术的应用，目的层地震资料信噪比与分辨率得到大幅提高；并且利用新资料建立了火山岩喷溢相地震识别模式，有效识别了喷溢相与溢流相火山岩的平面分布，推动了四川盆地新区、新领域的天然气勘探进程。

提高地震数据分辨率的传统方法，如反褶积、Q补偿等，受到子波为最小相位、反射系数为白噪声等假定条件的限制且需要求取复杂参数，不便于实际应用。深度学习方法使用数据驱动的方式可以自适应地刻画输入与目标间的关系，具备良好的自主学习能力，但目前基于深度学习提高地震数据分辨率的方法对注意力信息的利用不够全面。因此，提出一种基于双注意力U-Net网络的提高地震数据分辨率方法。首先，在原始U-Net网络中加入改进的通道注意力模块、空间注意力模块和级联残差模块，不仅可以快速学习高、低分辨率数据间的映射关系，还能够合理分配不同通道和空间的权重、充分利用数据间的相关性；然后，使用L₁损失和多尺度结构相似性指数损失的组合作为损失函数，提高模型对局部信息变化的敏感度，便于恢复细节信息。模拟数据和实际数据的测试结果表明，该方法提升了地震数据的主频，增加了频带宽度，同相轴变得更清晰，细节纹理信息更丰富，有效提高了地震数据的分辨率。

由于沙漠地区采集环境恶劣、地表地质条件复杂,勘探资料信噪比普遍较低;同时,沙漠区随机噪声与有效信号存在频谱混叠现象,噪声压制难度较大,给后续反演、成像和解释等工作带来了不利影响。近年来,以去噪卷积神经网络(Feed-forward Denoising Convolutional Neural Networks,DnCNN)为代表的深度学习去噪方法已应用于复杂随机噪声抑制,但传统降噪网络一般是根据单一尺度信息提取数据特征,导致针对复杂勘探记录的处理能力可能会下降。为实现沙漠地区复杂噪声的有效衰减,提出一种新型多分支去噪卷积神经网络(Diverse Branch Block Convolutional Neural Networks,DBBCNN)。与传统的DnCNN相比,DBBCNN将不同尺度、不同复杂度的分支结合在一起,丰富了特征空间,并且采用长路径操作融合全局特征和局部特征,提升了网络针对弱信号的特征表达能力。模拟和实际数据实验结果表明,DBBCNN可有效压制沙漠地震资料中的复杂随机噪声,且处理后的记录信噪比显著提升。

常用的叠后地震属性主要有相干体（描述波形相似性）、曲率体（表征构造应力引起的地层弯曲程度）、倾角体（刻画地层构造变化特征）等，但仅仅依靠单一属性很难准确地预测地下裂缝分布情况。为此，提出一种基于非下采样剪切波变换（NSST）—参数自适应脉冲耦合神经网络（PA-PCNN）的属性融合裂缝预测方法，该方法基于NSST分解算法，将多种属性数据分解为高、低频子带，将融合后的多尺度、多方向高、低频子带进行数据重构，得到最终的多属性融合结果，可进一步提取裂缝的轮廓及细节信息。具体步骤为：①提取描述相同尺度裂缝的多种地震属性（相干、曲率及倾角等属性），通过NSST将多种属性分解为高、低频子带，其中高频子带包含更多的裂缝细节信息，低频子带可更好地刻画裂缝轮廓且具有丰富的能量信息。②对高频子带运用PA-PCNN模型进行融合，无需人工设置参数，得到更全面的高频数据；结合八邻域的改进拉普拉斯算子加权和与局部能量加权方法对低频子带进行融合，使低频数据更好地保留细节及能量信息，以得到丰富的低频数据。③通过逆NSST方法有效地完成属性融合裂缝预测。运用所提方法对M区属性数据进行测试，并对比了不同方法的属性融合裂缝预测结果，证明基于NSST—PAPCNN的属性融合裂缝预测方法能够更有效地预测裂缝。

在海洋宽频地震处理技术中，鬼波压制是拓宽地震资料频带、提高地震资料分辨率的关键，常用方法是在预测鬼波的基础上，将其从全波场中消除。显然精确地预测鬼波是鬼波压制技术的难点。依据格林函数理论，提出了基于鬼波传播的射线路径预测鬼波波场的多次迭代技术及流程，结合研发的曲波域匹配相减技术，有效压制了鬼波。由于预测鬼波波场较为复杂，导致在匹配相减时会出现损伤一次波或鬼波未彻底压制等情形。为此，进一步引入多次迭代思想，将匹配相减后得到的一次波的波场作为输入，再次通过格林函数预测鬼波并相减，得到更干净的一次波场；历经多次迭代可逐步提高鬼波预测的精度。模型数据和实际资料的处理结果表明，该方法在压制鬼波的同时能更好地保护一次波。

对于油藏参数预测及其不确定性评价，前人的方法均为多步骤反演，很难考虑各个环节的不确定性。为此，提出基于构造约束联合概率反演的油藏参数表征方法。首先通过统计井资料得到岩相依赖储层弹性参数和物性参数混合高斯联合先验分布，在岩石物理参数敏感性分析基础上建立储层弹性参数和物性参数高斯联合先验分布；利用地质构造约束最小二乘井插值将构造信息和井信息整合到反演框架，基于贝叶斯理论推导得到同时表征储层弹性参数、物性参数、岩相后验概率分布的解析表达式。与传统方法相比，新方法通过同时反演策略降低误差累积，提高了储层参数及其不确定性信息预测的准确性；另外，新方法引入构造信息和井信息提高了反演结果的横向连续性及分辨率。为验证新方法的有效性，对M区实际数据集通过条件井和盲井测试，对比、分析了无构造约束多步方法与新方法的反演结果。结果表明：基于线性化模型且服从高斯分布假设，新方法获得了较好的反演效果，得到的岩相后验概率较无构造约束多步方法更准确，客观表征了不确定性，为油藏表征、评价提供了有利依据。

在油田高效勘探、开发过程中,迫切需要提高储层描述精度。地震反演储层描述是一项综合性强的油气勘探技术,其精度影响因素复杂。为此,首先分类介绍了地震反演方法,明确各种地震反演方法特点和优势,然后利用实际资料和模型分析反演效果,对储层特征分析、测井标准化、井震标定、模型构建以及地震数据品质等技术环节产生的影响进行了分析,得出以下认识:储层特征认识、反演子波提取、约束模型构建及地震资料品质是影响地震反演精度的主要因素;实际应用过程中,需要针对主要影响因素,开展精细研究,减少储层辨识多解性,提高储层描述分辨力,对地震反演技术在油气勘探、开发中高效精细应用具有重要意义。

地震波阻抗反演是储层预测研究的一种重要手段,线性地震波阻抗反演方法求解精度依赖于初始地质模型,而完全非线性方法可望得到高精度求解结果。有鉴于此,首先利用全卷积神经网络、因果卷积、膨胀卷积和残差块构建一个时域卷积神经网络(TCN),以建立地震数据与波阻抗之间的非线性映射关系;然后通过该网络对样本进行训练得到反演映射模型,进一步将地震数据输入该模型得到地震波阻抗。正演数据及实际数据测试结果表明,所提方法实现了地震数据到地震波阻抗间的映射,为地震波阻抗反演提供了具有并行计算能力和自适应结构的智能化方法,并在港2025区块砂泥岩储层预测中得到成功应用。