地震信号在采集和传播过程中,容易受到来自地质条件、周边环境以及采集仪器产生的各种随机噪声的污染,其中,同频带噪声由于具有非平稳、高能且频带与地震信号相同的特点,给地震信号降噪带来了挑战。传统的地震同频带噪声降噪方法存在自适应能力差、需要人工选取参数以及降噪能力有限等问题,使得降噪的信噪比较低。近年来,随着深度学习的不断发展,其强大的特征学习能力、高效性、准确性以及较高的自适应性等优点,有利于处理地震信号中的同频带噪声,提高地震信号信噪比。因此,本文采用深度学习的方法,对如何去除地震信号中的同频带噪声,提高地震信号信噪比展开了研究,主要研究内容如下:（1）针对传统的地震信号降噪方法对同频带噪声降噪能力低,降噪后信噪比低的问题,利用U形卷积神经网络U-Net（U-shaped Convolutional Neural Network）多尺度特征提取的优势,结合残差密集块,提出了地震同频带噪声降噪模型RDBU（Residual Dense Block U-shaped Network）。该模型使用残差密集块代替U-Net网络中的普通卷积层,进而增强网络的特征学习能力,提升模型的降噪性能。为了测试RDBU模型的降噪效果,使用斯坦福全球地震数据集构建训练集和测试集对RDBU模型进行训练和测试,将其测试结果与标签信号进行对比,并计算信噪比、相关系数以及均方根误差来评估模型的降噪效果。实验结果表明,RDBU模型与传统方法相比,信噪比、相关系数分别提高了6.52d B、26.43%,均方根误差降低了52.41%,说明RDBU模型具有较强的降噪能力,能够显著改善地震信号的信噪比。（2）虽然RDBU模型对地震同频带噪声具有较强的降噪能力,但是降噪后的地震信号仍然存在波形失真的问题,降噪信噪比依然不理想。针对这一问题,在RDBU模型的基础上进行改进,结合空洞卷积,提出了地震同频带噪声降噪模型ARDU（Atrous Residual Dense Block U-shaped Network）。模型中的空洞卷积可以在不增加网络参数的前提下,扩大感受野,获得更加丰富的有效信号特征,减少波形失真,提高地震信号的信噪比。为了证明ARDU模型的有效性和可行性,使用与（1）中相同的数据集对ARDU模型进行训练和测试。实验结果表明,与RDBU模型相比,ARDU模型的信噪比和相关系数分别提升了0.8d B、1.67%,均方根误差降低了6.37%,这表明设计的ARDU模型能够在一定程度上缓解地震信号的波形失真问题,进一步提高地震信号的信噪比,改善地震信号质量。（3）为了进一步测试ARDU模型对实际地震信号的降噪性能,使用汶川、九寨沟实际地震信号进行降噪测试实验,并利用信噪比估计算法计算降噪前后实际地震信号的信噪比。实验结果表明,由于实际地震信号噪声要比模拟地震信号复杂,导致模型的降噪信噪比略有下降,其中,ARDU模型对实际地震信号的信噪比提升相比于模拟信号降低了17.01%,但是与其它降噪方法相比,ARDU模型的信噪比提升仍然是最优的,降噪性能能够满足实际应用的需求。