在地质勘探研究中,作为一定区域内沉积环境中不同沉积物的地震特征,地震相直接反映了该地域的油气、煤盐等矿物的存量及分布模式。对地震相进行精确划分,可以详细了解该地区的油藏类型、构造样式、输导体系和成藏过程,有利于实现对油气勘探的精确指导,减少勘探风险,产生巨大的经济和社会效益。地震相图的划分是地震相划分的核心步骤,目前对地震相图的划分主要是依靠地质专家根据岩心、岩屑、钻井岩性以及测井曲线作为基础资料对地震相图进行手动分割。在对大工区或多个小工区进行地质勘探时,这种方法需要消耗大量的时间及精力。深度学习是机器学习和人工智能研究的最新趋势之一,该方法善于从大量图片中提取特征,并模仿人脑的机制来解释文本、图像等数据。将深度学习相关算法引入地质勘探领域可以帮助地质专家更高效、准确地划分地震相。基于此,本文将深度学习相关算法引入地震相的划分中,通过深度网络自主学习特征划分地震相图的方式来替代传统的手动分割方式。本文的主要工作及创新如下:(1)提出了一种基于生成对抗网络的地震相图生成方法。为了解决传统生成对抗网络不适用于小数据的问题,本文提出了一种应用于有限数据集的边界均衡生成对抗网络BeLiGAN。该网络使用高斯混合模型做为生成器的输入,并使用自编码器做为判别器,利用了高斯混合模型强大的拟合能力及自编码器的重构误差反馈加速了生成器的收敛,使得BeLiGAN在即使很小的数据集上仍具有生成符合地质规律的地震相图的能力。(2)提出了一种基于U-Net的地震相图语义分割方法,该方法针对传统的U-Net无法对与待分割目标周围与该目标具有相同感受野的边界像素进行准确分类的问题,在传统的U-Net中加入了引导式超像素滤波层对U-Net语义分割结果进行约束。该层将U-Net的输入使用SLIC超像素增强后的地震相图作为导向图,对U-Net语义分割结果进行导向滤波,使得U-Net的语义分割结果更加准确,边界更加平滑。本文使用从四个三维地震数据体中获取到的四类地震相图作为初始数据集验证本文所提出的算法,并将最终分割结果与地质专家手动划分的结果进行对比,实验表明,本文提出的算法所得到的结果既符合现实地质规律又符合地质专家的预期。