对实际地震资料进行噪声衰减从而获得高信噪比、高保真度、高分辨率地震剖面是提高后续地震数据处理精度从而精细刻画地质结构获得高质量地质解释的核心。传统随机噪声衰减方法受到模型假设的约束及手动参数调试的困扰,噪声衰减效率和效果很难兼顾。作为一种基于数据驱动的方法,深度学习（Deep Learning）能够快速高效实现大批量数据的自适应处理。针对传统随机噪声衰减方法效率不高和难以同时获得高信噪比、高保真度地震数据的不足,本文将深度学习代表性技术卷积神经网络应用于地震资料随机噪声衰减。对卷积自编码器（CAE）和U-Net进行改进,使之适用于地震资料随机噪声衰减的研究。在CAE中,分别由3个编码器和3个解码器组成编码模块和解码模块,并利用四个连续卷积层（Conv）组成的卷积模块代替编码器和解码器中的卷积层,用PRe LU激活函数代替Re LU激活函数,并在卷积模块和PRe LU之间使用了批标准化（BN）。为了提高CAE噪声衰减效果,由Conv+PRe LU+Conv组成输出模块代替sigmoid输出层,在编码模块前添加一个由Conv+PRe LU组成的输入层以提高CAE的特征提取能力。在U-Net中的卷积层中,使用边界补零策略的等宽卷积代替窄卷积,使得U-Net输入数据与输出数据大小一致。对比研究了两种编码—解码型卷积神经网络（CAE和U-Net）在叠前、叠后模拟数据和叠后实际数据中自适应噪声衰减的效果,由于地震数据具有多尺度特征,在多尺度任务有着良好表现的U-Net的随机噪声衰减效果强于CAE。对基于残差学习且不使用下采样层的去噪前馈卷积神经网络（Dn CNN）进行改进,使用Conv+Conv代替隐藏层中的Conv,扩大卷积感受野,使用PRe LU激活函数代替Re LU激活函数,提出P＿UDn CNN。对比研究了这两种残差去噪卷积神经网络在叠前、叠后模拟数据和叠后实际资料中自适应噪声衰减的效果,在模拟和实际叠后数据中,P＿UDn CNN的随机噪声衰减效果强于Dn CNN。将在图像去噪领域有着优异的双重去噪卷积神经网络（Dudenet）用于地震资料噪声衰减研究,并将其用于叠前、叠后模拟数据和叠后实际数据中自适应噪声衰减研究。对比了F-X预测反褶积（FXDECON）、曲波变换阈值去噪两种传统噪声衰减方法以及CAE、U-Net、Dn CNN、P＿UDn CNN、Dudenet五种深度学习方法在模拟数据算例和实际叠后资料中自适应噪声衰减的效果,深度学习方法的随机噪声衰减效果强于传统方法。在五种深度学习方法中,具有平行分支结构的Dudenet随机噪声衰减效果最好。