复杂的近地表不仅影响地震勘探过程中炮点的激发以及地震波的传播,使野外采集难以获得质量较高的地震资料,并且严重影响地震资料的后续处理,如静校正、速度分析、偏移成像等。由于地震记录含有直达波、回折波、临界折射波等初至走时信息,这些信息包含了近地表速度的结构信息,通过对初至走时进行反演就能够弄清近地表的速度结构,这对解决地震采集过程中的炮点激发问题、处理过程中静校正以及偏移成像等问题具有非常重要的意义。　　 本文对近地表速度建模方法进行了研究,总结归纳了各类初至拾取方法、射线追踪方法以及层析反演方法的基本原理,并对其进行了分析对比,在此基础上提出了级联相关神经网络初至拾取方法以及速度和界面联合成像方法。级联相关算法具有比BP算法更快的收敛速度,能根据所要解决的问题而自行确定自己的网络结构,能够随时扩展网络拓扑结构以学习新的样本并且保留以前学到的知识。为了使神经网络具有更快的收敛速度和更好的泛化能力,更加有效地应用于初至拾取,文中对级联相关神经网络进行了改进。速度和界面联合成像方法考虑了速度和速度界面的耦合作用,实现了速度和界面深度同时反演。该方法把近地表等效成一系列速度均匀的地层组成的模型,地层速度以及界面的几何形态可以通过LSQR反演得到。该方法对于成层状分布的近地表,较常规网格层析具有一定的优越性。尽管常规网格层析方法为估算近地表速度和静校正量提供了一种有效方法,但是不能有效确定起伏较为严重的风化带基底面,主要原因是地震射线容易穿过风化带基底面,以至于初至波走时对于速度界面微小的扰动不太敏感。　　 本文对级联相关神经网络初至拾取方法、有序波前重建射线追踪方法以及速度和界面联合反演方法进行了编程实现,建立一套完备的近地表速度建模算法流程。模型试算以及实际资料测试效果表明本文提出的方法能正确反映近地表速度的分布情况,具有重要的理论价值和实际应用价值。