在对地震资料解释中,断层解释是一个至关重要的部分。三维地震勘探技术在动态反映地质变化上的应用已经比较成熟了,但这个方法依赖于人工进行手动解释,存在耗时久、难度高以及误差较大等缺点。后来提出将计算机相关技术应用在断层识别,伴随人工智能和卷积神经网络的不断应用,将断层识别问题转化为机器学习中的分类问题,提出了基于卷积神经网络(CNN)的地震断层识别,能够尽可能的有效提高大量地震数据下的断层识别的精确度和效率。通常情况下,CNN体系结构由一堆不同的隐藏层组成,将输入数据转换为输出体积。每个卷积层由一组可学习的过滤器组成,这些过滤器具有小的感知学习域,却能拓展输入的深度。在参数的正向反馈期间,通过计算滤波器和前一层输入之间的点积,将每个滤波器都卷入输入。另外,在卷积层之间也会加入一个池化层。池化层的作用就是逐渐缩小表示的空间尺寸,且利用池化操作来减少参数和计算的总量。本文主要从三个步骤去探究基于卷积神经网络的断层识别方法。从三维地震振幅数据体中获取已标记地震振幅断层数据和待识别地震振幅断层数据；构建卷积神经网络；将地震振幅断层数据作为训练集,训练设计的卷积神经网络模型,得到卷积神经网络训练模型；再利用得到的卷积神经网络训练模型对地震断层数据进行识别。结论是利用卷积神经网络对三维地震数据进行断层识别,能够提高效率和准确度,也能避免空间数据的丢失。最后,将本文提出的卷积神经网络在地震断层自动识别的应用,与传统的相干体算法结果进行了对比。