通过地震信号分类技术生成地震相图来确定地下储层对指导石油勘探有着重要作用,现有地震信号分类技术主要针对叠后信号,叠后信号是叠前信号的横向求和,导致很多地震信息丢失。所以本文主要研究如何使用模式识别技术对地震叠前信号分类。地震叠前信号相对于叠后信号显著特点就是维度变高,直接使用现有方法会带来维度灾难,分类算法不适应等问题。同时数据量变大,不能使用计算复杂度较高的算法。在获得测井信息后,测井可以作为有标签数据帮助后续测井的选择。现有方法通常将此作为有监督学习进行处理,但由于测井信息即有标签数据较少,有监督分类结果可能不合实际,针对上述问题本文从地震叠前信号预处理、维度规约、聚类算法及半监督学习等方面展开研究,具体工作如下:1.提出基于RBM地震叠前信号聚类方法1)针对地震叠前信号维度高的特点,引入基于深度受限玻尔兹曼机网络的降维方法,深度受限玻尔兹曼机具有较好的抽象特征提取能力,这意味着降维后的输出能够好的表达原始信号。该算法有着较低的计算复杂度,能够在大规模地震叠前数据推广。2)引入模糊自组织神经网络聚类算法,使得地震相分类由隶属度表达,而传统硬聚类算法将每个地震样本对应一个簇,模糊分类结果提供的信息更加丰富合理,而且还能对分类结果进一步探索,如本文提出的隶属度梯度。3)提出基于组合学习的聚类框架。通过将训练样本复制多组,分别在每组信号中加入不同噪声,将所有数据作为聚类算法输入,然后对分类结果使用投票方法决定每个真实样本的归属类别,使聚类算法更关注地震信号中主要结构区别,使得分类结果更鲁棒。2.提出基于半监督学习地震叠前信号分类方法由于较少的井对于大规模地震数据是稀疏的,现有方法使用的有监督分类模型严重过拟合,针对此问题本文提出将深度置信网络和协同训练风范结合的半监督模型,协同深度置信网络。该模型既保留了深度置信网络对高维信号的特征抽取能力,又能通过无标签数据辅助有监督训练,使得地震数据特征在训练时得以表达,从而使分类结果更加合理。