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。

针对传统岩性识别方法在处理测井曲线缺失、准确性以及模型可解释性等方面的不足，提出了一种基于MSCNN-GRU神经网络补全测井曲线和Optuna超参数优化的XGBoost模型的可解释性的岩性识别方法。首先，针对测井曲线在特定层段丢失或失真的问题，引入了基于多尺度卷积神经网络（MSCNN）与门控循环单元（GRU）神经网络相结合的曲线重构方法，为后续的岩性识别提供了准确的数据基础；其次，利用小波包自适应阈值方法对数据进行去噪和归一化处理，以减少噪声对岩性识别的影响；然后，采用Optuna框架确定XGBoost算法的超参数，建立了高效的岩性识别模型；最后，利用SHAP可解释性方法对XGBoost模型进行归因分析，揭示了不同特征对于岩性识别的贡献度，提升了模型的可解释性。结果表明，Optuna-XGBoost模型综合岩性识别准确率为79.91%，分别高于支持向量机（SVM）、朴素贝叶斯、随机森林三种神经网络模型24.89%、12.45%、6.33%。基于Optuna-XGBoost模型的SHAP可解释性的岩性识别方法具有更高的准确性和可解释性，能够更好地满足实际生产需要。

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。

总有机碳含量（TOC）是页岩气勘探开发的一项重要评价指标。测井资料可高效评估TOC，但无法预测井间区域；而从地震资料提取的TOC敏感因子，可实现三维空间预测，但由于页岩储层的厚度薄且非均质性较强，仅依靠地震数据难以达到其精度要求。因此需要综合使用多种数据以提升TOC评估准确性。为此，提出一种基于卷积神经网络的高精度页岩TOC定量预测方法。首先，针对页岩特性，对钻井实测岩心TOC数据与多种测井特征曲线进行相关性分析，优选出最具代表性和敏感性的特征；其次，基于识别出的敏感参数，构建相应的卷积神经网络预测模型，将实测TOC样本与敏感测井参数构建的训练样本按7∶3划分数据集，用于模型的训练和验证；最后，利用波形指示模拟技术获得的高分辨率敏感参数反演结果作为三维TOC含量预测的特征输入，将各敏感参数排列重组后输入卷积神经网络模型中，实现TOC含量的三维定量预测。研究结果表明，CNN在拟合TOC含量与敏感参数之间的非线性关系方面较多元回归法和BP神经网络等更具有优势，该方法预测的TOC数据与钻井实测值的平均绝对误差和均方根误差均小于0.6%，预测结果与实际情况一致。该方法在页岩薄储层三维TOC含量预测方面具有较高准确性和明显的优势。

断层识别是地震数据解释的重要环节之一。深度学习技术的发展有效提高了断层自动识别的效率和准确性。然而，目前在断层的自动识别任务中，如何准确捕捉断层细微结构并有效抵抗噪声干扰仍然是一个具有挑战性的问题。为此，在HRNet网络的基础上，构建了一种基于解耦自注意力机制的高分辨率断层识别网络模型AHRFaultSegNet。对于自注意力机制解耦，结合空间注意力和通道注意力，代替HRNet中并行传播的卷积层，在减少传统自注意力机制计算量的同时，模型可以在全局范围内计算输入特征的相关性，更准确地建模非局部特征；对解耦自注意力使用残差连接来保留原始特征，在加速模型训练的同时，使模型能够更好地保持细节信息。实验结果表明，所提出的网络模型在Dice、Fmeasure、IoU、Precision、Recall等性能评价指标上均优于其他常见的断层自动识别网络模型。通过对合成地震数据与实际地震数据等进行测试，证明了该方法对断层细微结构具有良好的识别效果并且具有良好的抗噪能力。

速度建模是叠前深度偏移的重要环节，通常需要在层位约束下对观测点的地层速度进行横向外推，然而在速度建模初期缺乏地震解释层位等格架信息。为此，文中提出了一种基于曲率谱横向相似性和改进循环结构Siamese网络的速度模型建立方法。Siamese网络是目前常用的基于深度学习的目标识别和追踪网络，可以快速进行目标图像的相似度对比，而且不需要人工制作标签。曲率谱可以看成反应地层特征和速度信息的二维图像，将速度建模作为横向特征相似性类比问题，通过类比曲率谱可以自动得到地层的格架和速度更新信息。首先，将叠前深度偏移后的道集转换为曲率谱；其次，确定待搜索曲率谱图像及其对应的目标追踪对象，并求取当前追踪对象与目标追踪对象的相似系数；然后，基于相似系数更新参考曲率谱图像和当前追踪对象；最后，在遍历完全部追踪对象时，基于各个追踪对象的层速度及深度建立速度模型。理论模型和实际数据试验结果表明，该方法能在没有解释资料的条件下快速生成符合地质构造和地层特征的速度模型。

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。

智能地震速度反演是当前地震勘探中的热点、难点，然而复杂的深度学习网络结构对硬件设备的算力要求较高，限制了模型在数据量大和时效性要求高的场景中的应用。为了解决上述问题，根据特征工程和模型轻量化的思想改进了U-Net，提出适用于GPU的反演网络U-Net vG和适用于CPU的反演网络U-Net vC。首先分析速度反演网络的特点，得出卷积神经网络的轻量化原则；然后通过对多尺度模块、注意力门模块及特征提取模块进行轻量化处理得到轻量级速度建模卷积神经网络，在保持预测准确性的同时减小网络体积。数据测试结果表明，该网络训练过程对高性能硬件资源的需求更低，可以实现高效速度反演，具有更高的地震速度反演精度，具有较高的抗噪性。该方法可为解决地震数据反演中的算力瓶颈问题提供新思路。

在油气勘探领域，通过岩石微观结构可知油气资源的赋存状态，其精度和效率的提高依赖于有效的岩性识别方法。为此，提出了一种改进ConvNeXt V2的岩石薄片岩性识别方法。首先，以ConvNeXt V2-T为核心特征提取网络，嵌入全局注意力机制，提升对全局特征的感知能力；然后，设计多尺度特征融合模块，可以在不同尺度上对特征图进行有效融合；最后，使用Lion优化器代替原本的AdamW优化器以改进模型优化器，从而使速度更快、能够取得更好的泛化性能且更省内存。实验结果表明，该方法准确率、精确率、召回率、特异度及F₁值平均值分别为96.1%、95.5%、96.2%、99.1%、95.8%；改进后的算法收敛速度更快，准确性更高，可以实现岩石薄片图像的精准分类和识别。

目前测井图像裂缝识别、处理过程工作量巨大，人工识别主观性强、稳定性差，为此，提出将计算机视觉技术和深度学习框架引入测井成像图分析解读领域，构建新型裂缝形态智能识别网络模型，实现了电阻率测井成像图中井壁裂缝区域的智能识别与分割标注。首先，通过多尺度空洞卷积结合注意力机制提取电阻率测井井壁成像图中浅层和深层特征，并将深、浅层特征进行多尺度融合，形成更具表征能力的新特征。然后，根据该特征进行像素点二分类，完成每个像素点的前景、背景类型识别，若干个前景分类的像素点对应裂缝区域的轮廓。多尺度特征融合模型从微观角度充分保留了裂缝区域图像轮廓细节，裂缝区域关联像素点识别分类准确率接近80%。最后，进一步借鉴人眼视觉相似度评价体系，从宏观角度设计裂缝轮廓智能识别性能评价算法。评价结果表明，当视觉相似度感受评级为Ⅱ级时，训练集和测试集图像中与人工识别结果基本一致的裂缝区域分别达到81.3%和80.0%，说明所提方法可替代人工解释完成裂缝的识别和标注工作，能大幅减少图像分析工作量，细致勾勒出裂缝区域轮廓线。同时，有利于及时、迅速地判断井筒、井壁稳定性，为后续裂缝区域的智能定量评价、计算提供技术支撑。

地震相识别是地震数据解释的重要环节之一，深度学习技术可有效提高地震相自动识别的效率和准确性。然而，深度学习方法依赖大量的地震标注数据，在实际应用中标注成本高、难度大，且基础的测井数据无法直接使用。为此，提出了一种基于超稀疏测井标注的半监督地震相自动识别方法。首先，在HRNet网络的基础上，构建一种使用一维测井标签进行监督的地震相识别网络模型。其次，针对地震数据的纵向特征，构建稀疏标签采样模块（SLSM）并围绕测井标签采样，不在纵向上对地震数据进行切割，保留其纵向深度特征，为后续的半监督学习任务奠定坚实的基础；最后，针对地震数据的横向相关性，提出区域生长训练策略（RGTS），通过迭代生长的方式将测井标签信息扩展到整个地震体。真实数据实验结果表明，所提出的网络模型仅使用占总数据量不足0.5%的32条一维测井标签，即可实现MIoU（Mean Intersection over Union）为79.64%的地震相识别结果。该方法可为测井资料少且局部分布的工区开展地震相识别研究提供参考，具有良好的应用前景。

断层解释是地震资料解释的关键环节之一。以神经网络为代表的深度学习技术的迅速发展极大地提高了断层解释的效率和精度。神经网络通过随机梯度下降优化训练，以损失函数衡量模型的误差，迭代更新网络模型参数，其中损失函数的选取对断层解释结果至关重要。为此，在三维地震资料的断层解释中，以3D U-Net为网络结构，以Adam作为优化器，通过三维合成样本训练网络，对比、分析平衡交叉熵（BCE）、骰子（Dice）、焦点（Focal）、余弦（Cosine）、Log-Cosh Dice、Tversky、Focal-Tversky、Wasserstein、BCE-Dice和BCE-Cosine等共10种损失函数的断层解释效果； 对训练数据进行归一化和数据增强，减小合成数据与实际数据分布之间的差异； 在相同网络模型、训练参数以及停止准则的条件下，对比各种损失函数训练3D U-Net的收敛速度、计算效率和抗噪性能； 利用荷兰近海F3区块实际地震数据分析断层预测效果。实验结果表明，Tversky和Focal-Tversky损失函数训练的3D U-Net预测断层连续性较好； 当交叉或平行断层分布密集时，邻近断层会相互影响，BCE、BCE-Dice和BCE-Cosine损失函数训练的3D U-Net预测断层完整、清晰，细节丰富。该成果可为地震资料断层解释中如何选取合适的损失函数提供参考。

基于深度神经网络的地震速度反演方法面临的挑战是：时间域地震数据与空间域模型信息间语义映射的弱对应关系导致多解性； 神经网络将地震数据映射到速度模型过程中缺少有效引导，易受噪声干扰，影响反演精度。为此，提出一种基于特征强化U-Net的地震速度反演方法。首先，通过多炮地震数据特征叠加使输入网络的地震时间序列信号与对应速度模型之间的空间关系更加明确； 其次，基于多尺度特征融合的思想设计具有不同尺寸卷积核的模块，以增强网络对有效特征的学习能力； 然后，利用注意力门引导网络，增强网络重点关注的特征； 最后，结合瓶颈残差和预激活的思想，在网络中加入预激活瓶颈残差，避免梯度消失和网络退化。实验表明，该方法在地震速度反演方面具有更高的精度，并在抗噪声测试中效果较好，具有一定的泛化能力。

层位追踪是地震资料解释中一项基础且重要的工作,常规智能层位追踪方法的精度难以满足实际生产需求。为此,提出了一种基于U²-Net的高精度多套层位追踪方法。首先,设计一种充填标签的制作方法,遍历地震数据每个像素点,判断当前像素点所在位置并为其划分一个层位区域； 对于穿过断层的层位,则自动搜寻相邻层位,实现非全区层位、断层等复杂条件下的地震反射层位及不整合面的充填标签的制作； 然后,利用充填标签,采用U²-Net网络模型对F3数据体和M工区地震资料进行训练。与U-Net+PPM网络模型相比,U²-Net网络模型的预测精度更高,稳定性更好,泛化性更强,训练时间更短,且预测复杂地区的地震反射层位的准确率和平均交并比都大于95%。该方法可以较好地适应低信噪比地震资料的层位追踪。

受野外采集过程中设备和环境等多种因素影响，地震数据中往往存在表面波、鬼波、随机噪声等各种噪声，影响了地震数据处理和解释的可靠性和准确性。近年来，基于人工智能的方法以其计算效率高、数值效果好等优点成为地震数据去噪的研究热点。U型网络（U-Net）是一种经典的卷积神经网络结构，常用于图像分割任务；注意力机制（Attention Mechanism，AM）是一种能够让模型在学习过程中更加关注特定区域或特征的技术。通过在U-Net网络中添加AM模块，构建了一种具有注意力功能的U型网络（AU-Net），并将其运用到地震数据去噪。为解决去噪过程中产生的边界效应，使用膨胀填充的方法对数据进行切分，该方法通用性较高，可以用于其他网络模型。AU-Net和U-Net的去噪试验结果表明：AU-Net网络去噪的效果比U-Net更好，可更好地保留弱信号；同时，通过迁移学习使AU-Net去噪方法更具适应性。

溶洞在地震剖面上呈现“串珠”状反射特征，其空间分布受裂缝网络控制形成复杂缝洞系统，传统方法受限于储层结构模糊性和样本稀缺性而难以精准识别。为此，提出了知识图谱引导的裂缝和溶洞耦合建模智能识别技术，通过将地质拓扑关系编码为邻接矩阵约束项，实现了地质先验知识与深度学习的融合。该方法将正演模拟标签数据体与专家标注数据体相结合，构建多任务学习框架，利用知识图谱表征断裂与溶洞的连通关系，并设计地质可解释性损失函数动态修正模型优化路径。在塔里木盆地奥陶系良里塔格组的应用中，大幅减少了人工解释工作量，显著提升了缝洞体边界识别的精度，为强非均质性碳酸盐岩储层预测提供了知识驱动与数据驱动融合的新的解决方案。

鄂尔多斯盆地碳酸盐岩地层蕴含着丰富的油气资源。在勘探实践中发现，大牛地气田马家沟组断层发育、断距小，类型多样且成因复杂，给勘探、开发带来了较多挑战。为了应对这些挑战，提高储层预测的精度变得至关重要。在分析大牛地气田敏感弹性参数的基础上，建立地震属性与储层纵横波速度比（v_P/v_S）的关系，提出一种基于XGBoost算法的地震多属性v_P/v_S预测方法。为了进一步提升XGBoost算法的预测精度和泛化能力，采用贝叶斯算法对XGBoost算法的超参数进行优化，从而找到最佳的超参数组合，以确保模型在训练集和测试集上的性能均能得到提升。将XGBoost算法应用于Marmousi 2模型进行横波速度预测，预测值与实际值相关系数超过0.88，而均方误差、平均绝对百分比误差分别低于6.55×10^-7和4%，验证了该方法的准确性和可靠性。在鄂尔多斯盆地大牛地气田，应用该方法获得的v_P/v_S成功识别出含气储层，结果与实际钻井数据一致。理论模型和实际数据应用结果表明，XGBoost作为一种强大的机器学习算法预测精度较高，为直接由叠后地震属性预测v_P/v_S提供了一种有效的途径。

通过Rayleigh面波频散曲线反演能获取近地表地层的横波速度和厚度，但传统的非线性反演算法往往存在收敛效果差、易陷入局部极值等缺点。文中提出了一种新的改进白鲸优化（DWBWO）算法，并用于Rayleigh面波频散曲线反演。该算法是在白鲸优化（BWO）算法的基础上，引入了Cubic混沌初始化策略，提高了初始种群的均匀性；应用逐维反向学习策略，提高了算法收敛效率；应用旋风觅食策略，提高了算法的局部寻优能力。应用多极值函数、模拟数据和实测数据对DWBWO算法进行测试，并与灰狼优化（GWO）算法、麻雀优化（SSA）算法、鲸鱼优化（WOA）算法和BWO算法对比，证明文中改进算法具有更高的稳定性和精度。

提高数据信噪比是地震资料处理过程中的关键环节。目前基于深度学习的降噪方法已取得较好效果。但该类方法以数据局部相似性为前提，采用时空域数据分窗进行处理，运算效率往往较低。考虑到地质结构的连续性，炮间数据具有一定的相似性，利用其同频率分量的低秩特点，设计了一种三维数据频域降秩的深度学习去噪方法。首先阐明三维数据的频域低秩原理，采用奇异值分解理论指导建立自编码神经网络； 考虑频域随机噪声的分布特点，采用K-L（Kullback-Leibler）散度约束损失函数，改善了去噪效果。通过对合成记录和实际资料处理，并与多通道奇异谱分析（Multichannel Singular Spectrum Analysis，MSSA）及K-SVD（K-奇异值分解）方法对比，验证了该方法在去噪效果和计算效率等方面的优势。

随着油气勘探开发的不断深入，薄储层与岩性油气藏逐渐成为重要的勘探目标，这也对地震资料的分辨率提出了更高的要求。文中提出了一种基于自适应注意力机制的U-net地震数据高分辨处理方法。该方法首先利用U-net结构学习地震数据的特征表示，通过下采样过程的编码器提取地震数据的抽象特征，然后通过上采样的解码器进行特征重建和细化。在上采样的过程中引入了注意力机制，用于自适应地调整网络对不同地震特征的关注程度，网络能够更加有效地捕捉到地震数据更多的细节和特征。Marmousi模型合成地震记录和实际数据实验结果表明，新网络比原U-net误差更小、更稳定，可有效提高预测精度，实现对地震数据的高分辨率处理。

地震数据中的断层结构可以揭示地下构造和岩层变化，为资源勘探和地质灾害防治提供重要依据。然而实际采集的三维地震数据中包含大量噪声且断层体所占比例极小，利用蚂蚁体识别方法得到的结果误差较大，连续性和准确性不够。为此，提出一种基于深度学习的三维残差注意力RAtte-UNet断层识别方法，即融合残差跳跃连接与注意力机制并进行模型训练，采用混合损失函数减少断层与非断层的极度不平衡对网络训练的影响，使网络对于小断层具有更好的识别能力。通过对模拟数据和真实数据进行断层识别，准确率、召回率和精确率等评价指标均有所提升。相比于蚂蚁体等断层识别方法，该方法的识别结果中断层连续性更好，并能识别小断层，模型泛化能力更强。该方法可推广应用到实际地震勘探中。

由于复杂强背景噪声的影响，分布式光纤声学传感（Distributed Optical Fiber Acoustic Sensing，DAS）采集的地震记录普遍信噪比较低。如何有效抑制背景噪声，恢复弱上行反射信息，切实提升DAS记录信噪比，已成为资料处理领域的热点问题之一。针对复杂DAS背景噪声消减问题，提出了一种多尺度增强级联残差网络（Multiscale Enhanced Cascade Residual Network，MECRN）。MECRN具有双路径级联残差网络结构，通过双路径机制提取DAS记录浅层信息。在此基础上，引入空洞卷积和多尺度模块提取DAS记录的多尺度特征，并通过跳跃连接导入浅层特征，在避免有效特征损失的同时，提升网络的特征提取能力。最后，通过残差学习整合局部和全局特征，并对重建特征细化，进一步提升了MECRN的去噪能力。模拟和实际DAS资料处理结果均表明，MECRN可以有效地压制DAS记录中的复杂背景噪声，准确恢复弱反射信号，显著提升处理DAS资料的能力。

传统的沉积相识别方法依赖地质专家的先验知识，利用地震和测井数据，借助计算机的存储和计算能力定性分析沉积环境。地震相的识别以地震数据为基础，因需大量的人工解释，准确率和效率均不甚理想。如何从地震数据中表征沉积微相的地质特征，实现沉积微相的三维空间刻画仍有待研究。近年来，知识图谱（KG）在地学领域中引起广泛关注，通过构建KG进行约束也可改进传统沉积相识别方法，但是KG、深度学习（DL）与沉积相地震技术识别需进一步融合，研发基于KG约束的沉积微相精细识别技术是目前亟需解决的技术难题。为此，将地质先验知识引入KG，构建了地下复杂沉积模式的计算机高层语义认知系统，利用KG对地质先验知识的计算机表征，作为约束条件和质控手段引导沉积微相的识别与建模，形成了KG引导的沉积微相智能识别技术。利用所提方法将地质先验知识数字化之后，刻画了四川盆地川中地区灯影组碳酸盐岩微生物丘滩体以及多期次前积体沉积相微相的空间分布，预测结果与目标工区的特定地质情况契合。所提方法适用于深层岩性圈闭预测和井位论证，为储层预测提供了有效依据，具有较好的工业化应用、推广价值。

层位追踪是地震资料解释的关键步骤,通常由解释人员以人机交互方式进行,效率较低。卷积神经网络可以构建地震数据和训练标签的非线性映射关系从而完成层位追踪,由于人工解释结果获取困难,仅由少量标签训练的模型泛化能力较差。为此,提出一种基于卷积神经网络的半监督层位追踪方法,将层位追踪转化为层位断层间区域的图像分割。首先使用自编码器对无标签数据进行训练,之后将部分参数迁移至有监督学习网络后使用少量标签数据进行有监督学习,最后对整个工区的地震数据进行预测,提取分割结果边缘作为层位追踪结果。合成数据和实际数据的测试结果均表明,相较于有监督学习层位追踪方法,该方法具有较少的错误分割,由分割边界提取的层位与人工层位解释结果的误差较小,具有更好的泛化能力。

多次波压制是石油勘探领域提升地震数据偏移成像质量的重要手段，特别是对于受自由表面多次波干扰较强的海洋拖缆数据。为了更好地提升多次波压制效果和数据处理效率，文中提出了一种利用深度学习图像转译技术压制自由表面多次波的方法。首先，将地震数据处理任务视为深度学习中的图像转译任务，采用Pix2Pix网络处理转换为图像形式的地震数据；其次，将常规单一形式的目标数据集改进为组合形式，进行多任务训练提升Pix2Pix网络的输出效果，并根据数据处理前、后的关联性，设计额外的损失函数进一步约束和提升网络的输出效果；最后，建立层状模型和复杂模型进行数值测试，并在输入数据中添加了额外的干扰项进行定量测试。数值测试结果表明，文中方法能够通过发掘数据的共同特征达到识别和压制多次波的目的，提升偏移图像的清晰度，在处理数据时具有较高的计算效率，能够更准确地识别地下层位信息。

地震勘探的成像和反演质量取决于地震子波的提取精度。地震子波在传播过程中主频和相位会改变，即子波形态会出现变化。现有的子波估计方法未能充分考虑子波的空变特性，同时传统空变子波提取方法对测井资料等先验信息依赖性较强，且受各类假设限制。为此，提出了一种使用自编码-解码架构与卷积门控循环单元（ConvGRU）网络的空变子波提取方法。该方法使用卷积运算与门控运算同步提取不同地震道子波的主频和相位变化特征；将提取的子波变化特征经编码得到特征变量，特征变量经解码器可更高效地提取横向道间和纵向时间上的变化特征。使用有限差分正演和非平稳褶积模型建立符合实际数据分布特点的训练数据；搭建自编码-解码网络并迭代训练网络，得到空变子波提取模型；使用该模型提取地震多道空变子波。数值仿真实验验证了该方法比传统子波提取方法具有更高的精度；中国西部实际地震资料处理结果表明，该空变子波提取方法具有一定的实际应用价值。

地震数据偏移成像是地下介质反射系数估计的重要方法之一，其结果通常受子波影响而波数带展布有限。有效拓展成像结果的波数带、提高空间分辨率是宽带反射系数估计的一个重要目的。为此，首先从反演成像的角度分析，指出子波和观测系统照明是影响成像结果分辨率的两个主要因素； 其次，基于卷积神经网络（CNN），利用宽频子波构建标签，将常规成像结果作为输入，利用CNN挖掘其中的映射关系，提出了相应的深度学习算法子波整形反褶积方法； 然后，针对反褶积中初始子波估计不准确的问题，设计了子波与反射系数串联、迭代、更新的实现方案，定制的宽频子波能兼顾低波数和高波数信息，用于训练网络时可以更好地恢复宽带的反射系数； 最后，利用已知模型进行网络的预训练，将基于目标数据体提取的有效子波作为靶区数据反褶积的初始子波，进行子波整形反褶积处理，并通过薄层模型测试了该方法的正确性和可靠性。实际资料处理结果表明了该方法具有较好的应用潜力。

传统的横波速度预测方法包括经验公式法和岩石物理模型法。前者适用于岩石矿物组分相对单一的储层,且受区域限制等因素的影响,不具有普适性,预测精度较低。后者需要根据不同的实际情况选择合适的岩石物理模型,才能达到预期的目的。大多数机器学习横波速度预测方法基于纯数据驱动,数据集的质量和数量将直接决定横波预测模型精度,并缺乏充分的物理内涵。为此,基于深度神经网络（DNN）的方法,假设研究区储层波传播方程的数学形式已知,通过测井数据训练DNN得到未知的弹性参数,以确立目的层的波传播方程。利用平面波分析法得到相应的纵波、横波速度,实现神经网络与理论模型的结合。此外,针对传统Xu-White模型的不足,考虑随深度变化的孔隙纵横比,提出了改进横波速度预测岩石物理模型。利用研究区较丰富的测井数据,分别采用构建的DNN模型和改进横波速度预测岩石物理模型预测横波速度,并与传统的Xu-White模型预测结果进行对比、分析。结果表明,由DNN模型和改进岩石物理模型均可获得较高精度的横波速度预测结果,且前者的预测效果更好。

噪声压制是地震数据处理中的一个至关重要的环节。近年来，随着深度学习的蓬勃发展，其在地震数据中的应用取得显著成效。在实际应用中，收集大量带标签的地震数据（无噪数据）是困难的，为此，基于无监督的深度图像先验（DIP）框架压制二维地震数据随机噪声。首先，探索跳跃连接对网络去噪性能的影响，确定网络架构；其次，在损失函数中加入加权全变分（WTV）正则项，与传统的全变分（TV）正则项所不同的是，WTV正则项的权重系数不再是固定不变的超参数，而是与数据空间结构有关的可学习参数；最后，通过交替方向乘子法（ADMM）求解该优化问题。合成和实际数据实验表明，结合WTV正则项与ADMM的DIP方法可以在压制地震数据随机噪声的同时减少有效信号损失，且相较于DIP方法去噪稳定性更好，相邻迭代拟合信号峰值信噪比波动小，较易制定早停准则，更实用。

页岩气已成为中国油气资源的重要战略接替领域，页岩具有低孔、低渗特征，只有经过大规模体积压裂才能获得工业产能，页岩压裂后的裂缝参数精细刻画及定量表征是压裂效果评价和开发参数优化的关键。为此，以页岩岩心压裂后三维CT图像为研究对象，开展基于深度学习语义分割模型的裂缝智能提取。首先，构建融合金字塔卷积与注意力机制的U-Net深度学习模型，减轻图像类别失衡的影响，提升裂缝提取的精确度；其次，基于语义分割结果建立数字岩心模型，结合孔隙度、倾斜指数等参数实现裂缝空间分布的定量表征；最后，通过多重分形谱中的谱峰及谱宽表征缝网复杂度。研究结果表明：相较于传统图像分割模型，改进后模型的灵敏度提升了6.69%，交并比提升了0.48%。通过图像分割算法优化、数字岩心建模及多重分形分析，系统刻画了三维裂缝特征，适用于页岩等非常规储层缝网表征方法可为水力压裂后储层改造效果评估提供参照。

重建缺失的地震道是地震数据处理的关键环节之一。近年来提出了多种基于深度学习理论的地震数据重建方法。然而，这些方法中常用的卷积运算只能捕捉到地震数据的局部特征，没有充分利用全局信息。另外，池化操作也会造成特征图信息的丢失，从而破坏地震反射的细节特征。为此，提出了基于小波通道注意力网络的地震数据重建方法。哈尔（Haar）小波变换能够有效提取信号的多尺度特征，并在上采样过程中避免信息的丢失；高效通道注意力模块通过对不同通道特征图之间的相关性进行建模，能实现全局信息的充分利用。合成和实际地震数据的实验结果表明，与具有代表性的深度学习方法相比，文中所提出的网络模型可以产生更准确的重建结果。

致密砂岩储层评价技术是非常规油气勘探的关键科学问题与技术挑战，其中对致密砂岩储层参数的精确预测尤为关键。传统基于线性或非线性回归的预测方法在表征测井曲线与储层参数之间复杂非线性关系方面存在局限，导致预测精度不足。文中以延长油田甘谷驿采油厂唐157井区长6储层为例，基于测井数据和岩心分析孔隙度数据，开展多源数据融合预处理，创新性地提出了一种融合CNN和Transformer核心优势的新型神经网络架构（CNN-Transformer Network）。通过综合对比RMSE、MAE与R²指标分析CNN-Transformer模型与传统线性回归模型（LR）、TCN-LSTM、GRU与ResNet三种主流模型的预测性能。实验结果表明：CNN-Transformer模型的预测精度达到96.7%，显著优于其他对比模型。该模型能够有效捕捉致密砂岩储层中测井曲线与孔隙度之间特有的复杂非线性映射关系，显著提升储层参数预测的准确性，为致密砂岩储层的高效勘探与开发决策提供了可靠的技术支撑。

地震资料分辨率直接影响后续处理和解释成果精度，因此备受关注。深度学习方法具备自动提取深层特征和出色的非线性逼近能力，在反问题求解中广泛应用。在地震勘探领域，深度卷积网络中的卷积算子与地震数据的褶积模型相吻合，因而有望通过智能化手段显著提升地震资料的分辨率。目前，针对卷积神经网络提高地震资料分辨率方面的研究发展迅速，但问题的核心在于设计适合、有效的网络结构和损失函数。为此，提出一种基于强监督学习的地震资料高分辨率处理方法。该方法充分利用地下结构的空间连续性，借鉴图像超分辨率重建的思想，设计了一种生成对抗网络结构，用以提高地震资料的纵向分辨率；同时，采用L₁损失和多尺度结构相似性（MS-SSIM）损失相结合的损失函数提高感知质量，以提高网络的高分辨率处理效果。合成数据和实际地震数据的应用结果显示，相较于常规损失函数，文中采用的损失函数可以显著提升智能算法的处理效果，明显改善地震数据同相轴的连续性，且高频细节信息更丰富，验证了该方法的可行性和有效性。

高质量的野外高密度三维地震勘探资料是后续资料处理和解释的基础，然而传统的手动或半自动评估地震记录质量的方式已不能满足高密度三维地震勘探的效率要求，也无法确定地震记录的噪声来源。文中利用深度学习技术，辅以余弦相似度算法，实现自动对地震记录的质量进行单道分类评估，分别为正常道、强震源干扰道、工业电干扰道、仪器相关问题道（检波器与大地耦合不良、空道）、弱干扰道以及并道反道共6类。训练好的卷积神经网络在3秒以内完成单炮地震记录（超过8000道）的质量评估，与人工筛选的分类相比精度达到了86%，评价结果客观，适用于海量地震采集现场的质量监控。文中方法不仅可以快速确定不同噪声类型或仪器问题的地震记录位置，提高地震施工效率和质量，还为地震资料品质的分级分区综合评估提供了重要的研判依据。

地震数据中的异常振幅会造成地震道空间能量不均，导致叠前偏移出现画弧现象，从而严重干扰地震资料解释，因此压制异常振幅已成为地震资料处理中的一项重要工作。由于应用条件的限制，采用传统方法难以实现在彻底压制异常振幅的同时保护有效信号。为此，提出一种基于去噪卷积神经网络（DnCNN）的异常振幅压制方法。该方法首先根据地震异常振幅分布特点，通过网络改进与优化，搭建了适于异常振幅压制的DnCNN结构；然后采用人工合成和实际数据提取相结合的方法，制作了包含异常振幅和不含异常振幅的两种训练集；最后利用训练集对搭建的网络进行训练与学习，获得能够压制异常振幅的网络训练模型。模型数据和实际地震数据应用结果表明，该方法能够有效压制地震数据中的异常振幅，同时也保护了有效信号，与常用的传统方法相比，处理效果最佳。

由于地质及环境条件复杂，导致地震勘探采集资料信噪比相对较低，对后续的研究带来不利影响，因此地震勘探数据处理中对随机噪声的压制一直备受关注。现有算法无法较好实现对噪声的有效压制和对有效信号的极大保留，为此，将传统方法和深度学习相结合，提出了基于自适应动态滤波网络（Adaptive Dynamic Filtering Net，ADFNet）的方法压制地震资料中的随机噪声。该网络以编码器—解码器为架构，首先引入通道注意力机制（Attention Mechanism，AM）的思想，通过通道AM对空洞卷积多尺度数据特征集成，为网络提供了精准且丰富的特征表示；然后，引入动态卷积，以较低的计算复杂度实现对地震资料高频特征的学习，从而保留更丰富的细节信息。合成数据和实际数据的实验结果均表明，ADFNet可有效压制地震资料中的随机噪声，同时保留更丰富的地震数据细节，处理后的地震数据信噪比得到显著提升。

地震属性蕴含大量储层信息，融合多种地震属性可提高储层预测精度。由于地下地质结构复杂、非均质性强，依据单一的地震属性融合方法难以精细刻画储层特征。为此，提出了一种基于Stacking集成学习的分频地震属性融合储层预测方法。该方法主要包括3个部分：①根据不同厚度储层的振幅与频率关系，利用多个频率的地震信息，降低地震属性的多解性； ②联合相关性分析和无监督聚类技术优选地震属性，剔除冗余属性特征； ③利用能够综合多个差异化模型优势的Stacking集成学习模型，融合不同频段的地震属性，提高地震属性的解释精度。将该方法用于渤海湾盆地埕岛油田，并使用线性公式定量分析法进一步评估Stacking模型的泛化效果。结果显示：与单类预测模型相比，Stacking模型的综合预测性能和可靠性均有显著提升；对应的地震属性融合结果高值区形态更加清晰，融合属性与砂体厚度的相关系数可达到0.92，这表明该方法具有良好的应用前景。

准确分割扫描电镜图像中的孔隙可以为油气勘探开发等提供科学依据。目前孔隙分割方法主要依赖数据驱动，需要大量人工标注数据，耗时长且成本高。为此，提出了一种基于半监督的SEM图像孔隙分割网络PoreSeg。首先，基于一致性正则化与伪标签技术构建半监督框架；其次，引入高强度组合扰动策略，增强数据的多样性；最后，结合孔隙感知融合（Pore-CutMix）方法，充分利用稀疏的孔隙信息，提高模型对孔隙的分割能力。实验结果表明，在等量标注样本条件下，PoreSeg相较于全监督网络，孔隙交并比提升了15.10%；同时，与现有半监督方法相比，PoreSeg对孔隙更敏感，分割准确度更高。PoreSeg在保持高精度的同时，显著降低了对标注数据的依赖，具有巨大的应用潜力。

在实际采集过程中，受地形条件和人为因素的影响，地震数据不仅在空间上会出现采样不足或不规则的情况，而且会混入噪声，不利于后续地震数据的处理和解释。通常将重建与去噪分为两个阶段处理，这样往往会引入额外的误差。为此，文中提出了一种基于条件韦氏生成对抗网络（cWGAN）的地震数据重建去噪一体化方法，该方法研究的重点是在缺失道和噪声的混合干扰下，准确提取地震数据的有效特征。首先，以U-Net模型为基本网络结构来构建生成器模型，分级提取地震数据同相轴特征； 在判别器模型中引入条件约束，引导生成器优化梯度方向。其次，建立重建和去噪误差描述模型，该模型设计了一体化损失函数，可以兼顾重建与去噪两方面的处理任务。最后，经过合成数据和实际数据测试，证明文中所提的网络模型恢复的地震数据信噪比更高且具有较强鲁棒性。