地面磁共振（Magnetic Resonance Sounding,MRS）技术是一种直接探测地下水的地球物理方法。该方法能够定量表征地下氢质子丰度以及地层中水体的赋存状态。与传统的地球物理找水技术相比,MRS方法具有信息量丰富、解释唯一以及快速高效的优势,因此被广泛应用于地下水勘探、隧道/矿井水害探测与堤坝渗漏等领域。在实际探测过程中,地下水体产生的MRS信号极其微弱,强度仅为纳伏级,且在测量过程中无法屏蔽,易受到环境中的各类电磁噪声干扰影响,包括尖峰噪声、工频谐波噪声和随机噪声等。这些噪声导致数据信噪比低,影响反演解释结果的准确性。因此,对测量数据进行去噪并提取MRS信号至关重要。现有的去噪方法只能对单一一种噪声进行去除,因此需要多次使用不同的去噪方法对MRS数据中的噪声进行处理,这一过程不但步骤繁杂,信号处理耗费时间长,且每次去噪过程都会损失有用信息。因此亟需一种能够剔除多种噪声,同时兼具快速准确的MRS数据去噪方法。卷积神经网络（Convolutional Neural Network,CNN）是近年来发展迅速的深度学习方法之一。CNN通过学习训练集中的图像或信号特征,可以实现从含噪数据中提取有用图像或信号的过程,因此该方法在图像消噪、语音分离、医学影像处理等方面得到了广泛的应用。在这些研究的基础上,本文设计了适用于MRS数据去噪的神经网络结构与网络学习配置。在此基础上,本文提出了基于时频域卷积神经网络（Time-frequency Convolutional Neural Network,TFCN）的MRS数据去噪方法,并基于仿真数据和实测数据对TFCN方法与其他去噪方法进行对比,验证了提出方法的有效性和可靠性。网络结构和学习参数是影响TFCN对MRS数据去噪的关键因素,本文以去噪后的均方根误差与信噪比提升量作为评价指标,对不同的网络结构和学习参数进行对比,确定了适用于MRS数据去噪的神经网络配置。针对MRS数据中的随机噪声,设计压制随机噪声的TFCN网络,并使用仿真数据对网络的去噪性能进行验证,结果表明TFCN对MRS数据中的随机噪声具有良好的去除效果。在此基础上进一步设计并训练了用于全类型噪声去除的TFCN网络,并与传统MRS数据去噪算法进行了对比,对比过程中分别选用NEO+HMC+TFPF和NEO+HMC+EMD依次去除和压制MRS数据中的尖峰噪声、工频谐波噪声与随机噪声。结果显示与NEO+HMC+TFPF相比,TFCN的信噪比提升量最多可提高10 d B,与NEO+HMC+TFPF相比,TFCN的信噪比提升量最多可提升6 d B。在长春市太平池水库进行实际试验,使用TFCN方法对实测数据进行去噪验证该方法的有效性,结果表明基于TFCN的去噪方法可以一次性去除MRS数据中的大部分噪声成分,并通过与传统去噪方法对比进一步验证了TFCN方法的优越性和高效性。本文完成的创新性工作如下:1.针对MRS数据去噪问题,使用MRS信号的时频谱代替时域MRS信号作为TFCN的训练集进行信号特征提取,为后续的TFCN训练打下基础。2.通过TFCN对纯净MRS信号的特征进行学习,从含随机噪声MRS数据中提取MRS信号,实现了对仿真MRS数据中随机噪声的有效压制。3.在实现对MRS数据中随机噪声进行压制的TFCN基础上,使用纯净MRS信号与多种噪声数据作为训练集,训练得到对含噪MRS数据中多种噪声进行一次性去除的TFCN,在仿真数据和实测数据中都展现出良好的效果。