地震勘探是一项十分重要的油气勘探手段,通过对地震勘探信号进行处理、解释以及分析可以帮助了解地下储层特征、预测地下油气藏资源分布。地震勘探信号分类方法结合模式识别方法和地震响应特征,将地震信号映射为不同的类别,便于直观地了解储层的空间展布。但是,分类结果的好坏很大程度上取决于所选择的特征。而大量且冗余的地层响应特征常常使得解释人员难以有效选择有用的特征,导致解释工作量大、效率低和代价高的问题,且存在一定的人为主观性。深度学习算法可以从大量的地震勘探信号中自动提取隐含特征,也成为了地震信号分类领域的研究热门。本文围绕地层反射信息挖掘不充分以及缺少解释标签问题,开展基于深度学习的地震勘探信号分类方法研究,主要工作如下:（1）针对地层反射信息挖掘不充分的问题,本文基于信息量丰富的叠前地震勘探信号,研究地层响应随着方位角变化的特征,提出了一种无监督图嵌入分类方法。本方法构建图结构描述叠前宽方位数据,从而在纵向上利用地震信号的时间属性,在横向上利用方位角信息,使用图嵌入算法自动地提取地层相应特征,进一步,使用K-means进行无监督聚类图嵌入特征,得到最终的分类结果。通过在实际地震资料上的实验效果验证了该算法在叠前地震信号分类问题上具有一定的优越性。（2）针对叠后地震勘探信号特征提取困难的问题,提出了一种融入时序信息的深度聚类方法。在特征提取阶段将CNN与Bi LSTM融合起来,CNN用来提取丰富的局部信息,Bi LSTM用来提取地震信号在时间方向上的依赖关系。针对地震数据解释标签少的问题,采用自监督学习的方式挖掘地震信号特征。即使用聚类结果作为伪标签传给一个分类器,分类器同时接受特征提取模块传递的特征向量,进行有监督训练,迭代更新分类参数与特征提取参数,使得网络提取的特征在保持信息量的同时是更加聚类友好的。通过将该算法应用在物理模型数据上,证明了该算法针对叠后信号可以得到较好的分类结果。