受限于野外采集环境,采集到的地震数据通常会存在空间上的欠采样问题,而去多次波、偏移和反演等环节,对地震数据规则性及完整性要求很高。因此,室内处理阶段采用合理的数据规则化方法对缺失数据进行处理,恢复规则的地震数据尤为必要。传统地震数据规则化方法一般基于某种假设（如假设数据满足线性或稀疏性等）,而基于深度学习的地震数据规则化方法,可以非线性地提取数据的深层特征,不受任何假设条件限制。本文对深度学习中生成对抗网络（GAN）误差函数和生成器的卷积模式进行改进,实现了基于生成对抗网络的地震数据规则化方法。主要改进工作有两点,首先对生成对抗网络中的误差函数进行了改进。将常用的对抗损失加L1/L2振幅重构损失的联合误差函数,改进为由对抗损失加矩重构损失加权组成的新误差函数,主要思想是通过最大似然估计最小化生成分布的样本矩与真实分布的样本矩来帮助GAN训练,而不是将最大似然损失应用到样本上,最终得到了一种基于矩重构误差约束的生成对抗网络数据规则化方法。实验结果表明,改进算法在处理数据规则化问题时表现优越。对比常规GAN优化的误差函数,基于矩重构误差约束的生成对抗网络重构结果保幅性更好。在误差函数改进基础上,对生成对抗网络中特征提取方式进行了改进。针对数据存在连续缺失时,常规卷积模式会对无效的输入振幅信息产生误用,导致数据规则化结果误差较大的问题,在原有卷积模式的基础上提出了部分卷积方法,采用分层、分区域的学习机制,动态更新采样矩阵,使用部分卷积对输入数据进行处理,改进后的算法有效地提升了处理效果,一定程度上解决了卷积类网络在多道连续缺失情况下数据规则化结果保幅性差的问题。通过合成和实际地震资料测试,训练后的网络可以较好地处理缺失比例50%以下的地震数据规则化问题。规则化处理后,数据不规则造成的频率-波数域噪音基本消除,且恢复数据保幅性较好。基于改进生成对抗网络的地震数据规则化算法能有效地提高数据重建精度,具有较好的工业应用前景。