野外采集的地震数据由于受到传感器灵敏度、采集方式、野外噪声干扰等因素的影响,导致有效信息往往包含各种噪声。若要得到清晰的有效反射信号,就必须压制或消除这些噪声。传统的去噪方法通常采用某种数学变换的方式,需要经历繁琐的人工选取数据和优选参数的过程,不合适的阈值会导致去噪效果不佳、甚至出现有效信息的损伤。前人将卷积神经网络应用到地震数据去噪中,取得了较好的效果。但实际地震数据难以获得真实的干净数据和噪声,导致该方法在实际应用中效果不尽人意。针对这一问题,本文发展了一种基于地质构造导向与卷积神经网络的地震数据去噪方法,利用地质构造导向滤波方法生成有标签数据集来训练网络,克服了常规卷积神经网络中实际数据样本不足的问题,同时避免了传统去噪方法人工优选参数的过程。实现了地震数据的高效去噪,保留了同相轴边缘、断层等细节信息,提高了数据的信噪比。主要研究内容如下:1.地质构造导向滤波方法研究。针对传统地质构造导向滤波方法对于同相轴、断层等地质构造信息保护不足,不具保幅性,倾角计算抗噪性较差等问题。提出了基于相干属性的高斯束滤波方法,该方法只在构造延伸方向上存在滤波权重,使得滤波结果更加保真。地质构造导向滤波中角度计算的准确性决定着去噪质量,本文采用的结构张量方法能够高效、准确的获取信号的方向信息,避免大范围的方向测算,且具有一定的抗噪性。同时,引入相干属性控制滤波尺度,使断层等地质构造信息得到有效保护。2.基于卷积神经网络的地震数据去噪方法研究。已有的许多去噪方法需要面临参数或阈值优选的过程,这些参数对去噪效果有着直接的影响,当信噪比较低时,难以精确选取合适的阈值,导致去噪效果不佳。基于深度学习卷积神经网络的地震数据去噪方法可以直接让机器自身学习数据中的特征,从而识别出噪声,避免了繁琐的参数选取过程,解决了低信噪比下噪声难以去除的问题。结合批标准化、自适应矩估计等方法,实现了基于卷积神经网络的地震数据去噪方法。通过测试,对比分析了该方法在模型地震数据与实际地震数据中的应用效果。3.基于地质构造导向与卷积神经网络的地震数据去噪方法研究。由于实际地震数据样本较少,导致卷积神经网络在实际地震资料去噪中会损伤有效信息。针对这一问题,提出了一种新的样本集构建策略。将地质构造导向滤波方法引入到卷积神经网络中,通过基于相干属性的高斯束滤波得到干净的实际地震数据和噪声,弥补卷积神经网络实际数据训练样本不足的问题。通过增广训练样本,增加训练数据集的多样性。采用残差学习的方式,提高网络的收敛速度和训练精度。经过模型数据和实际数据的测试,表明本文提出的基于地质构造导向与卷积神经网络的地震数据去噪方法能够有效地去除地震数据中的随机噪声,保护有效信息。三维地震资料处理和属性提取结果表明,该方法能为后续的地震资料处理和解释提供良好的数据基础。