断层是地下的岩石结构在地壳运动中挤压,拉伸应力之后,当收到的应力大于岩石的强度时,岩石破碎而形成的破碎裂隙结构。断层结构是石油天然气等化石能源良好的贮存空间,因此对断层的准确识别和分割对研究地下油气田的分布具有重大意义。传统的断层分割工作都由人工进行标注解释。人工标注消耗大量的人力成本和时间成本,同时还会引入主观误差,对复杂空间结构断层的分割能力有限。随着当前业界地震数据量的逐渐增大,基于人工解释的断层分割方法已经无法满足需求。近几十年来随着计算机图像处理技术的蓬勃发展,其逐渐被地质研究学者应用于断层分割问题中。随着深度学习在图像处理中的发展,其也开始被应用于断层分割领域。在断层分割领域逐渐演化出多种断层分割网络,基于属性增强的逻辑回归网络,基于地震数据切片的分类网络,以及基于地震振幅数据的分割网络都被广泛应用断层分割任务中,并取得了不错的效果。本文使用两种不同的深度学习模型,分别从二维和三维对现有的模型进行了改进。针对现有基于CNN的断层分割网络对全局特征提取能力有限的问题本文构建了一种基于CNN-ViT（Vision Transformer）的混合模型,充分利用CNN的归纳偏置以及Transformer的特征提取能力增强了网络对地震图像全局信息的提取能力,提升了断层识别中的准确率以及连续性,并在实际工区数据中取得良好的效果。针对现有的三维断层分割网络中模型泛化性不足,在不同工区中分割效果差异较大的问题,本文构建了一种多任务网络进行改进。通过引入倾角方位角检测这两个辅助任务,利用主任务以及辅助任务任务间的相关性以及公共特征的提取,提高了模型的泛化性,使得模型在不同分布,不同特征的地震图像数据中都有较好的表现。同时也提出了数据预测的改进方法,从断层建模的角度,对断层的预测过程进行相应的优化。最后根据本文所提出的算法在已有系统的基础上完成了对应模块的设计与集成,最终形成一个断层智能分割系统。本文所应用的方法有效的解决了断层分割问题中网络对地震数据特征提取能力有限,以及模型泛化性较差的问题。网络效果在理论数据以及真实数据集上都表现出了较好的效果,证明了本文方法的有效性与实用性。