压制噪声,提高资料信噪比一直是在地震资料处理中的核心问题之一。众所周知,原始地震资料中经常存在许多不同类型的噪声,如面波、随机噪声、多次折射波等。这些噪声容易污染地震信号,降低地震资料的信噪比。根据地震资料中的噪声特点,可将噪声分为规则噪声和随机噪声。地震资料中的面波是一种典型的规则噪声,具有振幅大、空间相关性强、频率低等特性。根据面波特性,目前已研究出多种压制方法。然而,由于现有方法的局限性,有时得不到满意的结果,尤其是当面波和反射波在时域或频域出现混叠时,传统方法往往不能将它们彻底分离,在压制过程中还经常伤害有效信号,从而达不到保真处理的效果。相对于规则噪声,随机噪声由于没有固定的频率,而且常常分布于整个频带中,因此预测更加困难。尽管目前已有多种随机噪声衰减方法,但当地震波场复杂时,传统方法在去除噪声的同时,往往会伤及有效信号。近年来,随着深度学习技术的发展,深度神经网络算法在地震勘探领域已有相关报道,在断层识别、层位划分、储层预测等工作中已初见成效。本论文针对地震资料中普遍存在的随机噪声和面波,分别采用去噪卷积神经网络和生成对抗网络算法,进行随机噪声和面波压制方法研究。不同于传统的依赖于各种滤波器的噪声衰减方法,神经网络方法是基于大量的包含噪声和无噪声数据对的训练数据集及网络训练,使网络能够识别并过滤出数据中的目标噪声,以实现噪声压制。论文首先从分析传统地震噪声压制方法入手,了解传统方法存在的不足。然后,阐述了神经网络的基本原理,重点介绍了去噪卷积神经网络和生成对抗网络的算法原理,并详细说明了利用两种网络算法压制噪声的实现过程。合成地震数据和实际地震数据的测试结果表明,神经网络算法能够有效压制地震资料中的面波和随机噪声。与传统方法相比,神经网络算法在噪声压制能力和保护信号方面均有明显提高。