地震勘探是石油勘探过程中的一个重要的环节。地震数据的准确表示与分析是地质岩层分类与油气储量预测的重要基础。在实际勘探中,由于受到环境、设备或人为等因素的影响,导致存在大量的数据缺失与不完整性,严重影响了后续的数据解释工作。此外,随着石油勘探领域的发展,对地震重建数据的精度要求越来越高。根据Nyqusit采样定理的限制,高精度的重建数据往往意味着采样频率的提高,这也意味着勘探成本的提升。将不规则不完整的地震数据更精确的重建出来,或使用更低的采样频率重建出满足一定精度要求的地震数据是非常有意义的,同时也是一项巨大的挑战。为了更好的解决地震重建问题,本文主要基于压缩感知理论,从地震数据的稀疏表示、增加了时空连续性约束的压缩感知算法和基于生成对抗网络(GAN)的压缩感知算法这三个方面入手,研究了地震数据重建方法。具体工作如下:(1)地震数据具有多尺度、多方向和局部变化明显的特征,使用传统单一的稀疏变换方法无法对地震数据很好地进行稀疏表示,这也将会导致重建效果的不理想。本文提出使用K-SVD字典学习算法训练得到超完备字典,并将其用作地震数据重建过程中的稀疏变换基,可以对地震数据更好的进行稀疏表示。通过实验证明,这种方法相比于其他稀疏变换方法可以更好地重建地震数据。(2)传统的压缩感知理论都是针对单帧数据展开讨论的,但地震数据具有时空连续性,使用传统的压缩感知方法对地震数据重建只满足了单帧数据重建的合理性,难以保持相邻帧之间的连续性特征。本文对传统的压缩感知方法进行改进,引入了时空连续性约束,提高了重建的精度。此外还对稀疏自适应匹配追踪(SAMP)进行了改进,增加了初始稀疏度估计和变步长的策略,在保证重建准确度的基础上极大的提高了运算速度。最后在真实的地震数据和电成像数据上验证了该算法的有效性。(3)提出了一种将生成对抗网络(GAN)与压缩感知模型相结合的方法,规避了对地震数据进行稀疏表示这一步骤。为了提高重建效果和训练稳定性,本文使用DCGAN框架,并使用Wasserstein Distance作为训练过程中的评判指标。实验结果表明该方法可以在更低采样率的情况下重建出满足一定精度要求的地震数据。