地震勘探是探明地下地质构造使用的一种重要地球物理方法。然而,由于激发、接收条件、施工环境、地下岩性不均等原因,在地震数据采集过程中探测器经常会接收到大量的噪声。这些噪声容易污染地震反射信号,破坏了反射同相轴的连续性,干扰后续的地震资料处理和解释。因此压制噪声,提高地震资料信噪比,已成为地震资料处理中的重要工作之一。地震数据中的噪声主要为相干噪声和随机噪声两大类。相较于随机噪声,相干噪声能量强,对信号的干扰更为严重。传统的相干噪声压制方法,主要是基于信号和噪声在频率-波数域或其它变换域的差异,实现信噪分离。虽然大部分现有方法,能够有效压制相干噪声,但由于它们大都基于某些假设条件,如相干噪声近似为直线、偏移距分布均匀等。当假设条件不能满足时,则得不到理想的结果,尤其是当信号和噪声出现混叠时,一是难以彻底分离,二是容易伤害有效信号。而基于卷积神经网络的去噪方法则不受制于这些假设条件,也不需要事先了解地质信息和地震波传播规律。因此,近年来,人们开始将卷积神经网络应用于地震数据处理中,但由于利用卷积神经网络压制地震数据中的相干噪声研究刚刚起步,诸多问题有待更加深入的研究。论文针对陆上地震数据中的相干噪声开展研究。根据地震数据中相干噪声的特性,首先建立了相应的卷积神经网络结构,利用非对称卷积核相加形成的非对称卷积块,替代了传统网络中的方形卷积核,从而利于提取地震数据中的相干噪声特征。其次,创建了大量的包含相干噪声的合成数据和实际数据的训练集,用于网络训练和学习。在网络训练中,通过分析学习率及卷积核数对去噪结果的影响,确定了最佳超参数。最后,通过模型数据及实际数据测试,获得了良好的去噪结果。与常用的传统去噪方法,如f-k滤波、中值滤波,以及去噪卷积神经网络(DnCNN)方法对比,结果表明本文方法对相干噪声压制力度及对有效信号的保护程度均有明显提高。此外,为了检测网络训练模型的泛化能力,在其它类似地区也进行了应用,并取得了较好的去噪效果。