地球物理反演作为获取地下岩石物理属性参数的重要手段,它的反演结果为后期油气勘探、储量预测、油气开发等奠定了坚实的基础。地质统计学反演作为一种重要的地球物理反演方法,在获得比常规方法更高分辨率反演结果的同时,还能获得与地震数据比较接近的横向连续性,因此得到了广泛的研究和应用。现有地质统计学反演方法主要是通过构建变差函数从已知的测井数据获取先验信息,然后再用于指导后续的反演过程。但是,该方法存在两个主要问题:首先,两点算法中的变差函数无法对地下弯曲较大且交错复杂的古河道及相关构造进行有力表征。其次,多点算法对“训练图像”要求高且效率十分低下。针对上述问题,本文引入了深度学习领域的生成对抗网络算法,提出了基于生成对抗网络的地质统计学反演方法,实现了利用地震数据训练网络并得到反演结果。文中利用生成对抗网络对数据的强大表示能力,来训练它从已知数据中提取先验信息,从而解决了变差函数对先验信息的表示能力不足的问题,并降低了对“训练图像”的严苛要求。同时,为了克服网络训练时标签不足的问题,本文利用物理模型将生成的阻抗数据转换到地震域,再用地震数据对网络进行训练从而有效地解决了标签缺乏的问题。即首先通过输入生成器的噪声数据产生阻抗,再将阻抗数据转换成合成记录,然后用合成记录与实际地震资料训练判别器。最终,基于生成对抗网络的地质统计学反演方法,实现了利用地震数据并结合测井数据的先验信息训练生成对抗网络,并以此获得了比常规方法更好的反演结果。本文在进一步研究后发现作为网络基本架构的卷积核,仅能对卷积核邻域范围内的数据进行特征提取。若要表征实际地下地质的全局特征和相互关系,则需堆叠大量的网络层,这将极大地增加网络参数,降低网络的效率。因此,本文进一步引入了自注意力机制,希望通过它找出特征间的潜在关系增强特征提取的针对性和效率,来提升最终的反演效果。该方法在理论模型和实际资料中的应用结果表明,引入自注意力机制后的反演方法取得了预期效果,有力地提高了反演的精度。