针对野外地震采集因环境干扰导致非规则性缺失问题，文中提出了一种融合粒子群灰狼混合优化(HPSOGWO)算法的XGBoost局部学习重建方法。该方法将HPSOGWO算法与XGBoost机器学习模型相结合，通过构建地震道空间位置(道号、采样点)与振幅值的非线性映射关系，利用HPSOGWO算法自适应优化特征窗口，实现了相邻道数据的智能选择与缺失值的高精度预测。与传统凸集投影-Curvelet变换(Curvelet-POCS)方法相比，该方法在复杂构造区域显著提高了重建精度；相较于U-Net深度学习方法，有效降低了对大量训练样本的依赖和计算成本。在20%随机缺失条件下的三层水平层状模型实验中，该方法的峰值信噪比(PSNR)较Curvelet-POCS法提高了11 dB，较U-Net法提高了7 dB；F-K谱分析进一步表明，该方法能更有效地保持地震波场的频域特征。实际陆上二维地震数据测试表明，20%缺失道的重建剖面振幅相对误差为5.72%，具有良好的振幅保真度和相位一致性，为复杂地质条件下的地震数据重建提供了有效且实用的解决方案。

时频电磁（TFEM）法是一种新兴的电磁勘探方法，二十一世纪初从油气勘探领域发展和兴起，融合了时域和频域电磁方法的优点，能够在复杂地质条件下提供更高分辨率和更精确的地下结构成像和多电磁参数约束，在油气勘探中发挥了重要作用，已推广到地热和金属矿勘探领域。文中系统回顾了TFEM技术的发展历程：从早期CSAMT方法的局限性，到通过仪器创新（如宽频带发射系统、节点式接收装备）和智能化升级（5G云采集、OpenHarmony系统）实现高精度探测；针对复杂目标，提出了多方位同步激发、井地联合观测等采集技术，并发展了时—频数据融合处理与激电效应反演方法，有效提升了油气检测成功率（达75%以上）。实际应用方面，TFEM已在全球150余个勘探目标中累计完成超过4.7万公里剖面，成功应用于碎屑岩、岩性圈闭等多类型储层目标的探测。TFEM技术未来的突破方向是智能化装备、AI解释、多场耦合反演等，其应用将拓展至半航空电磁、海洋勘探及地热/环境监测等领域，为深地资源开发提供更高效、更精准的技术支撑。

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。

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。

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。

针对四川盆地龙马溪组页岩储层总有机碳含量（TOC）测井预测中传统模型泛化能力不足的问题，文中系统评估了多种深度学习模型在单井与跨井预测任务中的性能，并优选出适用于不同场景的实用模型。基于龙马溪组三口井（well1、well2、well3）的声波时差、密度和自然伽马测井数据，分别构建了多元线性回归（MLR）、支持向量回归（SVR）、卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）、CNN-BiLSTM、CNN-BiLSTM-Attention混合模型。在单井预测实验中，采用随机划分策略对well1井进行建模与验证，结果显示CNN模型表现最优，其预测集的决定系数R²高达0.9519，表现出优异的局部特征提取能力及抗过拟合性能。为进一步评估模型泛化能力，设计了基于留一井出（LOWO）策略的跨井交叉验证实验。实验结果表明，在跨井预测任务中，CNN-BiLSTM-Attention模型具有最强的泛化性能，其预测集的R²最高达0.9653，平均绝对误差（MAE）和均方根误差（RMSE）分别低至0.131%和0.170%，显著优于其他模型。注意力机制有效融合了CNN提取的局部特征与BiLSTM捕获的序列长期依赖关系，增强了模型对关键信息的聚焦能力及对井间差异的适应能力。文中验证了融合注意力机制的深度学习模型在复杂地质条件下TOC预测中的有效性与鲁棒性，强调了跨井验证在实际应用中的重要性，为页岩气甜点区预测提供了可靠的方法支撑。

深度学习以其强大的非线性映射问题处理能力而在地震波阻抗反演中得到了广泛的关注。常规深度学习地震波阻抗反演方法存在对标记数据过于依赖，尤其当训练测井数据不足时存在反演模型局部特征的提取能力下降、精度不足的问题。为此，提出了一种基于空洞空间金字塔池化的U-Net网络（ASPP-UNet）地震波阻抗反演方法，利用金字塔池化方法增强U-Net网络的多尺度特征提取能力，据此利用地震记录数据和少数测井数据构建训练集。为了验证所提方法的有效性，将其应用在Marmousi2和SEAM两种公开测试数据的地震波阻抗反演中，每组测试试验均与CNN、U-Net、Attention-UNet三种深度学习地震波阻抗反演结果进行对比。实验结果均表明，在同等实验条件下，该方法得到的单道波阻抗反演结果高频细节成分更丰富，反演波阻抗剖面在层间及断层处纵向连接平滑；反演结果对标记数据的依赖性低，在远离训练测井位置处信息丢失最少，表现为反演结果剖面的道间横向连续性好，各项统计指标均优于其他三种对比方法。为进一步验证所提方法的可行性，将其应用于四川省东部实际勘探数据地震波阻抗反演，其准确度均优于上述三种对比方法，所得波阻抗剖面与实际地质特征更吻合，波阻抗误差最小。

常规叠后地震数据通常受吸收衰减影响导致主频较低、频带较窄，分辨率低，反演预测效果不佳。因此，为得到保真、保幅的地震数据，提高分辨率，提出一种改进的Q值提取和反Q滤波方法。首先，在Q值提取方面，针对因薄层调谐效应导致提取的子波振幅谱偏离实际情况影响Q值提取精度的问题，引入了完备集成经验模态分解（CEEMDAN）方法，通过对对数振幅谱分解和重构，消除反射系数的干扰，以获得去除调谐效应的子波振幅谱，并结合能量谱质心频移法，获得更高精度的Q值；然后，在反Q滤波方面，优化了时变增益稳定因子法的振幅补偿函数，克服了对密度的依赖性，获得了更稳定的反Q滤波结果。实际资料的处理结果表明，文中方法能够获得保真、保幅的高分辨率叠后地震数据，为研究区的后续勘探开发提供了可靠的资料基础。

全波形反演（Full Wave Inversion，FWI）是目前精度最高的速度场反演技术。FWI采用梯度类局部最优化算法使正演数据和原始数据之间的误差达到最小，从而获得精确的地下速度场。实际资料FWI的成功依赖于原始数据的精细处理和反演策略的慎重选择。文中根据海洋资料的特点，对FWI处理过程中的参数把控和实施策略进行了讨论和实验，提出了海洋资料全波形反演实用技术。具体包括：①使用针对回转波的分频噪声压制技术，重点提高低频回转波的信噪比，同时避免了伤害有效信号；②使用子波调整技术，提高初始子波的准确性，使正演数据和真实数据的误差求取更准确，进而使速度更新梯度的求取也更准确；③利用初至层析反演速度模型进行近海底速度建模，提高初始速度场的准确性，更好地避免了跳周现象，使目标函数的收敛方向更准确，收敛速度更快；④使用炮检距递增策略进行FWI迭代，从浅到深逐步更新速度场，降低FWI的多解性，使FWI速度场收敛更准确。该技术在海洋资料实际项目运作中取得了较好的效果，获得了更准确的速度场和更好的深度偏移成像效果。

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。

地质甜点的精准预测是页岩油气高效勘探开发的核心环节，基于测井数据的页岩油气甜点智能预测对油气开发具有重要意义。在甜点预测领域，传统基于模型的预测方法存在泛化性弱、特征表征不足及误差传递累积等局限性。本文结合新型深度学习框架，旨在通过测井数据实现地质甜点的准确预测。孔隙度（POR）和总有机碳含量（TOC）是地质甜点预测的关键参数，文中建立了测井曲线与两种参数之间的深度学习模型，实现了地质甜点参数的智能预测。首先，构建了卷积神经网络（CNN）模型，通过分析对比不同测井曲线输入组合和不同卷积神经网络层次结构，在测试集上实现了地质甜点（POR+TOC）的高精度预测（相关系数 > 0.96）。其次，创新性地融合卷积神经网络与注意力机制，提出一种复合Transformer架构——CTNet模型，该模型兼具捕捉局部岩性特征与全局层间关联依赖关系的能力。经过数据集验证与测试，CTNet模型在测试集上的相关系数大于 0.91。实验表明，CNN模型的整体预测精度高于CTNet模型；然而，CTNet模型在石灰岩层段的预测精度显著优于CNN模型（如GY6-1井石灰岩段，CTNet模型和CNN模型的相关系数分别为0.848和0.300），展现出解决复杂非均质储层预测难题的独特潜力。研究结果表明，所提出的CNN与CTNet深度学习模型均能有效实现页岩油气地质甜点关键参数的高精度预测，为智能勘探提供了新方法。

传统人工岩屑录井存在无法定量识别岩屑成分、准确进行岩性定名的现场生产技术难题，难以实现岩屑信息的全面精准获取。为此，开发基于录井随钻过程中采集的岩屑图像的岩性智能识别系统。首先，通过建立统一的图像采集和标注标准，使用人工进行系统性样本标注，生成对应的标件；然后，采用深度卷积神经网络算法YOLOv5对样本进行训练、推理和后处理，并添加小目标识别的注意力机制，重点关注Fitness函数调整对目标识别准确性的影响；最后，采用ONNX（Open Neural Network Exchange）模型进行跨平台支持，开发出一套基于岩屑图像的岩性智能识别系统。实际应用表明，该系统能够识别泥岩、砂岩、石灰岩、白云岩、煤和碳质泥岩等6大岩性类别，整体识别正确率达到85%以上；同时该系统能够分析各岩性的成分含量以及砂岩岩屑的磨圆、粒度、分选等特征，实现了岩屑成分特征的准确描述，形成了一种新的岩性识别技术。

济阳坳陷下古生界碳酸盐岩储集空间以裂缝和溶蚀孔为主，储层在纵向和横向上非均质性均很强，导致潜山储层预测难度较大。为此，根据储集空间发育特征及地震反射相关性研究，提出了基于双孔介质模型的潜山内幕地震正演方法，表征了下古生界潜山内幕地震响应特征；同时，研发了基于构造导向滤波的潜山储层预测方法，实现了下古生界潜山有利储层发育区的有效预测。研究结果表明，济阳坳陷下古生界碳酸盐岩储层的发育是引起地震反射异常的主要因素，有效储层段表现出了明显的地震响应异常。构造导向滤波前后的数据残差可以指示主要内幕储层的发育位置。该方法在东营凹陷平南潜山和大王庄潜山的实际应用中取得了良好的效果。

地质条件的透明化探测与精确化勘探是制约煤炭安全、高效开采的核心技术瓶颈。煤田地震勘探技术作为解决开采过程中隐蔽致灾地质问题的重要手段，能够提供高精度区域地质构造和成煤结构形态，为煤田开发提供可靠的地质依据。中国煤田地震勘探技术的发展历程可划分为三个阶段：20世纪50年代至70年代初为技术起步阶段；20世纪70年代末至80年代进入数字化发展阶段；20世纪90年代至今则处于推广与应用阶段。经过70余年的积淀与革新，煤田地震勘探技术在煤田地质勘查和采区隐蔽致灾因素的高精度探测等领域取得显著进展，已成为保障煤炭安全、高效开发不可或缺的地质支撑技术。文中结合煤田勘探技术的深入研究和典型工程实践，系统阐述了其在数据采集、处理与解释三个阶段的技术特点和发展现状。面向煤矿地质透明化和智能建设的迫切需求，未来煤田勘探技术的发展将朝着高密度分布式数据采集、智能化数据处理与解释，以及多属性融合技术的运用与创新方向持续发展。

煤层气含量的准确估算在煤层气资源的评价与高效开发中起着至关重要的作用。深部煤层气受多种控制因素和复杂成因机制的影响，目前，基于机器学习的煤层气含量预测方法通常依赖于地震数据或测井数据，未充分考虑深部煤层复杂的地质条件。文中提出了一种煤层含气量智能预测方法，通过多尺度建模与深度融合策略实现多源数据的综合利用。该方法首先从地质、测井和地震数据中提取与煤层气含量相关的多尺度敏感属性或特征；在此基础上，针对相同尺度的数据集，采用贝叶斯超参数优化随机森林算法进行自适应建模，提升模型鲁棒性并避免过拟合；随后通过最小二乘法对各尺度模型的预测结果进行集成，以此构建多尺度随机森林复合模型。利用实际数据对所提出的方法进行验证，并与常规的单尺度随机森林和线性回归方法进行对比，发现所提方法在测试井煤层气含量预测中的平均相对误差分别降低了3.01%和4.94%，表明该方法具有更高的预测精度和更强的泛化能力，可实现煤层气含量空间分布的精确刻画。

微地震监测技术在非常规油气藏开发、矿井灾害监控等领域具有重要应用价值，但其信号易受噪声干扰，导致信噪比低，严重影响后续震源定位及机制反演准确性。针对传统去噪方法，比如互补集合经验模态分解（Complete Ensemble Empirical Mode Decomposition，CEEMD）法和小波模极大值（Wavelet Modulus Maxima，WMM）法，在处理非平稳微震信号时存在的局限性，文中提出融合麻雀优化变分模态分解（Variational Mode Decomposition，VMD）与自适应小波阈值的微震去噪方法，简称SSA-VMD-CC-WT法。首先，利用麻雀优化算法（Sparrow Search Algorithm，SSA）确定VMD算法的关键参数；其次，通过互相关系数（Cross-Correlation Coefficient，CC）筛选有效模态分量，抑制噪声；最后，采用自适应小波阈值（Wavelet Thresholding，WT）法对有效分量二次去噪，降低信号失真。仿真测试表明，SSA-VMD-CC-WT法在强噪声背景下较CEEMD法及WMM法能更精准地分离噪声与有效信号；实际微震资料处理结果显示，该方法在显著压制低频和高频噪声的同时，有效保护了微弱震源信息，提升了数据的可解释性和信噪比。与此同时，相较传统遗传优化算法（Genetic Algorithm，GA），SSA的优化效率更高。

近年来，塔里木盆地柯坪断隆作为油气勘探的重要突破区，其优质烃源岩发育与复杂构造背景形成特殊勘探环境。该区地表地形剧烈起伏与浅层高速岩体形成显著速度差异，叠加多期叠覆断裂系统，导致常规地震成像方法面临静校正误差大、速度建模精度低及构造形态畸变等技术瓶颈。针对柯坪南三维工区地质特征，系统研究了适用于山前带的叠前深度偏移关键技术，主要创新有三项。①浅表层联合建模技术。针对复杂地表观测系统导致的近炮检距数据缺失，创新融合微测井数据与宽方位地震信息构建约束层析反演算法，有效改善浅层速度模型精度，突破传统方法在速度—厚度耦合问题上的局限性。②真地表偏移基准面构建技术。优化地表一致性静校正应用模式，通过高频静校正时差调整建立真实地表高程与偏移基准面的动态匹配机制，显著降低起伏地形对波场延拓的影响，提升陡倾角地层成像的构造保真度。③多尺度速度迭代反演技术。基于构造导向约束发展多方位网格层析方法，通过方位角分级反演策略实现速度场纵向与横向分辨率的协同提升，为深部推覆构造与隐伏断裂系统提供精确的速度模型支撑。实际应用表明，该技术显著改善柯坪南地区深度偏移地震资料成像质量，目标层信噪比与断裂成像清晰度大幅提升，构造形态刻画更加准确，为山前复杂构造带油气勘探提供了有效的技术解决方案，对推动该区勘探进程具有重要实践价值。

砂体作为一种常见的储集单元，其精确识别与追踪是发现油气田、支撑油气增储上产的关键。现有属性分析和深度学习等方法仍面临边界识别精度低、参数选择复杂、抗噪性差等问题。为此，提出一种基于视觉图像分割基础模型Segment Anything Model(SAM)的提示预测方法，无需模型训练，仅根据目标砂体的边界提示点，即可得到目标砂体边界的精确识别和追踪结果。针对视觉图像分割SAM中的提示编码器在地震剖面上的预测误差，提出一种K维树搜索方法，通过求取提示点到潜在砂体分割块的最短距离确定最优的砂体预测结果。经过实际靶区数据的验证，并与基于U-Net模型在靶区数据的定制化训练的对比，结果显示基于视觉图像分割SAM的砂体追踪方法对于砂体边界的刻画横向变化更丰富，边界与地震振幅变化吻合度更高。

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。

现有数据传输技术面临编码复杂度高、加密效率不足以及数据压缩受限等挑战，制约了高效安全通信的发展。为解决这些问题，文中提出了一种创新的超低流量数据传输方案——时进制数据脉冲式传输方法。该方法的核心在于结合高精度时间同步和细分技术，并构建了“时进制”理论框架，即利用精确的时间基准作为数据编码基础，通过超大进制表达将信息映射到特定的脉冲时序或相位上，实现数据的脉冲式传递。这种机制显著简化了传统编码过程，并天然增强了数据的保密性（源于时间脉冲的精确同步要求）和压缩潜力（源于信息在时间维度上的高效脉冲编码）。通过实例分析，验证了所提时进制数据脉冲式传输方法在显著提升传输速率、大幅节省通信带宽以及强化信息保密性等方面的优势，充分证明了其在未来高效安全数据传输场景中有广阔的应用前景与巨大的价值。

横波速度是地震资料叠前反演与储层评价的重要参数，但由于直接、间接测量方法的技术和成本限制，横波速度获取较困难。因此，提出基于宽度学习的横波速度预测方法。首先，选取合适的测井数据，完成去除噪声、相关性分析等预处理工作；其次，建立包含映射节点和强化节点的宽度学习神经网络结构，完成宽度学习算法流程；最后，选取准噶尔盆地Y工区内Y301、Y302两口典型井的测井数据构建机器学习数据集，设计2组对比实验，并与曲线拟合和深度学习方法对比，验证宽度学习的稳定性及泛化性。实际数据的测试结果表明，基于宽度学习的横波速度预测方法能够在保证预测精度的同时，显著降低训练时间，为横波速度、油气预测和相关储层参数预测提供新的神经网络选择。

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。

地震勘探中的多次波压制是一个严重的问题，特别是在海洋勘探中更加突出。研究针对层间多次波的压制发展了一种基于曲波域逆散射级数方法。曲波变换（Curvelet Transform，CT）作为一种多尺度、多方向的变换方法，能够将地震数据稀疏表示，有利于捕捉地震数据的主要特征。将CT与逆散射级数法相结合，首先利用CT将地震数据转换到曲波域，然后通过逆散射级数法在曲波域中预测层间多次波。该方法无需对地下介质建立模型，具有较高的适用性和实用性，而且CT可以将地震数据稀疏表示，从而减少了逆散射级数法的计算量。通过对预测的多次波进行逆CT，将其重建到时空域中，并从原始地震数据中减去，最终得到压制多次波后的有效信号。数值实验结果表明，该方法在保证精度的前提下，不仅显著提高了计算效率，还减少了内存消耗。这项研究为地震数据处理中多次波的压制提供了一种创新的方法，有望在实际地震勘探中发挥重要作用。

获取准确的地下速度信息是实现复杂地区地震成像的关键，现有的地震波形反演虽然精度高，但是存在计算量大、依赖初始模型等缺点。目前深度学习技术在各领域发展迅速，在非线性地震反演方面也取得了成功应用，但是常规端到端的深度学习网络难以构建速度参数与地震记录的多尺度物理耦合关系。为了解决以上问题，文中提出一种混合网络AER-UNet。该网络重新组织了编码器与解码器的结构，并在此基础上增加基于注意力机制的跳跃连接模块，能有效获取地震记录中的关键空间信息，提升对速度场细微结构的表征能力，从而精准捕捉地下介质速度参数的有关特征。为了得到速度模型与地震记录之间准确的映射关系，在网络训练阶段需要构建适量的随机速度模型，以模拟地下介质的真实结构。此外，创建新的损失函数，将有助于提高速度建模的计算精度。通过SEG/EAGE推覆体模型数值试验，检测了混合网络速度建模的有效性，与FWI和其他深度学习网络相比，该方法能更加高效、准确地重构地下速度模型。

针对复杂构造精细成像的需求，地面成像和VSP联合成像虽可弥补单一观测方式的照明不足，但仍存在照明不均匀导致的成像能量不均衡或构造形态畸变的问题。因此，提出了井地联合高斯束深度偏移方法。首先，建立井地数据双向波场动态互补机制，通过照明加权因子动态调整不同井地数据的贡献权重，实现井地波场信息的优势互补；其次，引入构造倾角场约束高斯束传播路径，动态调整高斯束初始出射方向与局部地层倾角自适应匹配；最后，在成像叠加阶段引入倾角相关加权函数，抑制非构造方向的散射能量，提升井地联合成像信噪比。理论模型与实际资料的应用结果均表明，井地联合高斯束深度偏移方法的成像效果优于单一地面成像方法，能够有效提高复杂地质构造的成像精度。

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 Damped Rank-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。

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。

叠后地震数据中的噪声会严重干扰反射信号的识别与解释，因此高效的去噪处理是提高地震资料解释精度的关键。曲波变换因其良好的多尺度、多方向特性被广泛应用于叠后数据去噪。然而，传统曲波变换边界区域易产生伪吉布斯效应，导致边缘振荡与虚假反射，同时强噪压制往往伴随有效信号的损失，限制了其实用性。针对这些问题，文中提出了一种基于多尺度自适应块曲波域阈值（Multiscale Adaptive Block Curvelet-Domain Thresholding，MABCDT）的曲波变换方法。首先，在曲波域中引入循环平移和多尺度自适应块曲波域阈值方法，提高弱信号的保护能力，并显著降低伪吉布斯现象的影响；然后，利用快速非局部均值方法对逆曲波变换后的数据进行快速非局部均值滤波，在去除残余噪声的同时保护有效信号；最后，引入方向性平滑扩散算法，以梯度方向信息为引导，对信号进行方向性加权平滑扩散，从而进一步压制噪声并增强有效信号连续性。理论数据和实际资料测试结果均表明，该方法在提高信噪比和波形保真度方面均优于常规叠后去噪方法，在压制噪声的同时保护了地震信号的连续结构特征，同时有效压制了由高频截断引起的伪吉布斯效应。

Marchenko方法利用地表反射响应和宏观速度模型可以重构地下任意位置处的格林函数，进而实现对地质目标的精确成像。与传统地震干涉法相比，Marchenko成像结果不会受到上覆介质的影响。然而，其成像质量取决于检波点布设密度，实际数据往往不能满足要求。为解决这一问题，文中提出了一种基于卷积神经网络凸集投影（CNN-POCS）重构的Marchenko成像方法。首先，将稀疏采集的地震数据应用CNN-POCS方法进行重构，获得高精度空间密集采样的地震数据；然后，再针对目标区域进行Marchenko成像，这样既有效降低了对高密度采集的要求，又保证了成像质量；最后，将该方法扩展到平面波成像，提高了传统点源方法的计算效率、降低了计算成本。模型试算结果表明，该方法可以减少60%的检波点布设，从而显著降低采集成本。

岩石结构蕴含着丰富的地质信息，岩石薄片岩性识别对于油气勘探、矿物开采等方面具有重要意义。针对岩石图像分类过程中存在精度低、人工成本高等问题，提出了一种基于ConvNext V2-VMamba模型的岩石薄片岩性识别方法。首先，在ConvNext V2模型的基础上采用分组卷积和通道混洗策略将ConvNext模块与VSS模块相结合；其次，提出了Conv-VMamba模块用于替换原有的ConvNext模块，使模型同时具有全局视野和优秀的局部特征提取能力；最后，在原模型上嵌入空间注意力EMA模块，促进模型跨通道空间信息的聚合，更好感受不同岩石图像的纹理信息。实验结果表明，模型在测试集上的准确率为81.5%、精确率为81.1%、召回率为81.4%、特异性为96.3%、F1值为81.2%，准确率相比于原模型提升了5%，该方法的算法准确性最高，分类效果最好，为岩性识别领域提供了新的思路和方法。

随着中国东部常规油气资源枯竭和油田含水率增加，地热能开发成为了老油田绿色低碳转型的关键，而热储层识别是地热田研究的核心工作。针对现有热储层识别算法未能将测井数据之间隐藏的样本关系作为输入进行训练测试，以及单一视图对其中蕴含的深度序列信息和空间特征提取不充分的问题，提出了一种基于双视图GraphSAGE（dv-GraphSAGE）的热储层测井识别方法。首先，通过深度序列和特征相似性构建深度距离图和特征相似图；然后，利用GraphSAGE和特征自注意力机制（FSAtt）提取特征，保留视图的信息丰富性和复杂关联；最后，通过自适应特征融合模块将视图特征融合，并输入多层感知机（MLP）网络实现热储层识别。30口地热井测井资料的实验结果表明，dv-GraphSAGE模型对泥岩层、致密层、干层、油层和水层的整体识别准确率达到了95.4%，其中水层识别率为96.9%。实验对比结果也表明，dv-GraphSAGE具有更优的热储层识别效果，为油田地热开发提供了新思路。

断控缝洞型储层是一类油气资源非常丰富的储层，通常由于埋藏较深，地震反射结构与沉积地层耦合，难以用传统方法准确识别其含油气性。因此，提出一种新的断控缝洞体储层油气预测方法。首先，将水平或近水平层状沉积的地层当作背景噪声，并引入地震资料处理领域的K-L变换，通过地层等时体的生成、内嵌及去噪重构加强“立式”缝洞体信息；其次，剥离地层信息后，利用聚焦性较好的广义S变换进行时频谱分析，提取谱能量团最大值，识别常规振幅切片无法揭示的缝洞体隐性构造；然后，用高频端的衰减率属性表征流体，有效判识干井与高产油井；最后，分析含水井的断控因素，在剔除与油气聚集无关的非走滑穿层断层后，用断控属性融合方法预测缝洞体的含油气分布。数值模拟及实际资料分析结果均表明，研究方法和关联的技术对缝洞体油藏的大规模勘探、开发有一定的借鉴作用。

在地震勘探中，由于地下介质的黏弹性特征，地震波场在传播过程中会因为能量被吸收而发生剧烈衰减、高频成分丢失、相位失真，从而导致地震资料分辨率和成像精度降低。准确获取近地表介质的Q值并对其进行反演处理，是解决该问题的重要途径。因此，提出基于非对称子波谱的自适应近地表Q值估计方法。首先，将输入信号和输出信号的几何平均值生成合成子波；其次，根据合成子波引入自适应算法确定关键参数，降低主观选取常数参数带来的误差；然后，推导公式计算近地表Q值，并实现Q值的精确估值。理论模型验证和实际应用结果均表明，文中方法能够在地震波传播过程中发生吸收衰减时自动适应频谱的不对称性变化，更准确地拟合各种非对称源幅度谱，提高Q值建模的精度，为高精度地震资料处理提供技术支持。

波阻抗反演是一种利用叠后地震数据快速估计地下岩层厚度、评价储层质量的技术手段，但受限于反演本身的不适定性，该过程极易受到观测数据和模型偏差的影响，导致反演结果的不稳定。通过在目标函数中适当的引入平滑性、稀疏性或结构性的假设，从而抑制求解过程中由噪声或正演模型带来的不稳定变化。全变差正则化优化方法可以保持地层边缘特征，但也导致了反演结果的块化特征，为了克服这一缺陷，本文通过引入混合分数阶全变差正则化约束，更加合理地刻画层间及层内的变化特征。首先构建混合全变差正则化约束目标函数，其次采用正交有限内存拟牛顿法来对这一复杂目标函数进行求解，进而提高地震波阻抗反演的分辨率及稳定性。测试结果及实际数据应用表明，混合分数阶全变差正则化较单一全变差正则化以及$ {\mathrm{L}}_{2} $正则化，能够更好地适应块状与光滑混合模型的反演，也验证了本文提出的反演方法具有精度高、抗噪性强、收敛速度快的特征。

注水开发过程中，评估井间连通性对于油藏管理、生产策略优化和采收率提高至关重要。目前基于图神经网络的方法忽略了图结构对井网时间和空间关系的表达，限制了井网延迟动态响应关系的准确描述。为了解决这一问题，提出了一种基于多层级图结构的时序网络模型，捕捉时间序列中井网信息的动态变化关系，实现更加准确的井间连通性评估。首先，考虑井网注采响应延迟，提出多层级图结构时空依赖表征方法，实现生产时序响应与井网空间结构信息的融合；其次，搭建多层级时序图神经网络模型，设计基于注意力机制的层级间信息交互更新方法，实现注水井与生产井之间的动态交互关系挖掘，以及井网连通性的精准反演。实验结果表明，该模型相较传统时序模型具有更高的准确率，与示踪剂测试结果符合率达93.8%，且在物理规律上符合连通性演变的渐变性。该方法具有较好的工程适用性。

水平钻井技术的发展大大提高了油气藏的开采效率，近年在煤岩气开发中得到广泛应用，且取得较好应用效果。随着煤岩气深入开发，地质情况愈发复杂，水平井钻进过程中面临脱靶、穿漏靶窗等工程风险。针对此类问题，文中综合入靶控制技术、井震结合微幅构造精细解释技术、人工智能储层迭代预测技术、水平段模型导向技术提出了井震一体化实时导向技术体系。该技术体系具有及时性、准确性、直观性，可有效支撑钻井跟踪。在鄂尔多斯盆地米脂地区本溪组煤岩气水平井H1跟踪过程中应用该技术，根据钻井钻遇地质情况不断开展预测结果迭代，修正导向模型，保障了钻具在靶窗内优质储层中顺利钻进。在井震一体化实时导向技术的指导下，该井煤岩钻遇率为100%，水平段全烃达到50%~90%，效果优秀。实际应用表明，文中的井震一体化实时导向技术对煤岩气水平井跟踪比较有效，同时对页岩气水平井跟踪也有借鉴意义。