地表一致性反褶积能够从压缩地震子波、增强子波波形一致性方面提高地震数据的分辨率。然而，常规地表一致性反褶积通常采用最小平方法或高斯—赛德尔法进行谱分解，分解结果易受噪声影响，导致反褶积后的地震数据中噪声能量抬升。因此，提出基于超松弛雅克比迭代算法的三维地表一致性反褶积方法来提高地表一致性反褶积的抗噪能力。首先，在噪声较强的情况下，使用加权最小二乘目标函数，将对数功率谱有效分解为炮点、检波点、共中心点、炮检距和全局项五组分量；然后，采用加入全局项的五分量褶积模型代替常规四分量模型，将变化的近地表条件转化为与全局项相近的地表条件，有效消除因近地表条件不一致引起的波形变化。两套模型数据和一套三维实际数据的测试结果表明，超松弛雅克比迭代算法具有较强的抗噪能力，能有效压缩地震子波，增强子波波形一致性，有效压制地震数据中存在的非地表一致性噪声，取得了较好的反褶积效果，对提高复杂地质构造地震数据的纵向分辨率具有重要意义。

四川盆地下寒武统筇竹寺组的地震资料反射能量弱，层间波组特征不明显，断裂刻画不清晰，难以满足优质页岩储层精细预测和水平井轨迹精确设计需求。为此，以Z201井区页岩气三维地震项目为例，提出了四川盆地筇竹寺组深层页岩气高精度地震采集技术。首先，通过采用面向储层叠前反演的观测系统参数优选技术设计观测系统；其次，采用基于贡献度的障碍区物理点智能布设技术提高目的层的覆盖次数均匀性；然后，通过表层速度与岩性约束建模技术，精细刻画工区近地表结构和岩性展布。在筇竹寺组页岩气地震采集中的应用效果表明，该技术能够获得高精度、宽频地震资料，为后续资料高分辨率处理与储层精细描述提供了数据基础。

在海底节点（OBN）地震勘探中，由于洋流、潮汐、地形变化和渔船拖拽等原因，节点的实际点位和一次定位点位会存在较大误差，需要进行二次定位。为此，提出了一种基于四象限叠加的高精度二次定位方法。首先，在相对坐标系内按方位角将炮点划分为四个象限，并对各象限炮点分别进行线性动校正及共检波点叠加处理；然后，将节点从测量点位到实际点位的位移分解为两个互相垂直的分量，通过分析各象限内炮点共检波点叠加的初至时差求取这两个分量，进而精确定位节点的实际坐标。实际资料应用结果表明，该方法不仅能够实现节点的高精度二次定位，而且四象限叠加策略显著提高了初至波拾取的可靠性，相比传统方法定位精度和效率均更高，具有良好的工程实用价值和推广前景。

绕射成像是提高地下小尺度地质体成像精度的重要方法，但常规地震勘探主要以反射波成像为主，能量较弱的绕射波被压制，需将绕射波单独分离成像。目前广泛使用的局部阻尼自适应降秩法（Localized DampedRank-reduction with Adaptively chosen ranks，LDRRA）在自适应选择秩的基础上，通过阻尼算子对保留奇异值矩阵进行阻尼来提高绕射波分离的精度，但其阻尼因子主要依靠人工给定，且所有局部窗口数据均采用该给定的同一阻尼因子。不同的局部窗口包含的地震数据不同，采用相同的阻尼因子会降低绕射波的分离精度。因此，提出一种局部自适应阻尼降秩（Localized Adaptive Damped Rank-reduction，LADRR）绕射波分离方法。首先，在LDRRA基础上，对Hankel化矩阵进行奇异值（SVD）分解，截断奇异值；其次，引入奇异值平方比对每个局部窗口数据自适应计算阻尼因子，选取最优阻尼因子对截断之后的奇异值进行阻尼，保留反射波分量；然后，将阻尼之后的局部窗口数据进行逆Hankel化与傅里叶逆变化，并与原波场相减得到分离之后的绕射波。理论模拟及实际数据的试验结果均表明，该方法分离的绕射波精度高，分离后的绕射波成像结果能更准确地反应地下小尺度地质体的位置。

随着深度学习（Deep Learning，DL）方法的发展，多模态学习（Multimodal Learning，MML）广泛应用于地球物理反演问题。目前，采用DL对海洋可控源电磁法（Controlled-Source Electromagnetics，CSEM）数据反演时，通常将不同特征属性的电磁数据组合作为整体输入网络，采用单模态学习策略。多模态学习可以从多种模态数据中提取个性特征，并利用关联信息构建输入与输出映射关系。本研究将不同频率的电磁数据作为不同模态，通过结合MML与UNet实现频率域海洋CSEM数据的二维反演。合成数据测试集反演结果显示，该方法能够较准确地重构海底下方介质的电阻率结构和高阻体位置及分布范围，与传统反演方法相比，该方法更高效、更稳定。对噪声数据的反演结果表明该方法对于实测数据的应用效果良好。

河道识别是河流相储层预测的重要内容，但当河道砂岩纵波阻抗与围岩差异较小时，单纯采用叠后纵波地震资料进行河道识别难度较大。横波资料信息可有效辅助提高河道空间分布预测可靠性，但纵、横波两者的联合识别过程涉及参数选择难、主观性强、工作周期长等问题，识别效率和可靠性有待提升。因此，提出了一种基于纵波和横波地震数据联合的河道自动识别方法：首先，针对样本数据规模不足的问题，提出了基于实际资料构造解释和河道解释结果的三维河道地质模型正演样本自动生成方法，有效扩充样本数据规模；然后，设计了新的三维河道自动识别网络结构，将纵波和横波地震数据信息进行有效融合，提升了识别结果的可靠性；最后，在中国西南部某工区开展了致密气河道砂岩识别应用测试，并与传统地震属性专业分析方法和单独采用一种资料的智能识别结果进行了对比，证明所提方法识别效率和可靠性更高，验证了方法的适用性。

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与时效性要求高场景中的应用。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。该方法为解决地震数据反演中的算力瓶颈问题提供了新思路。