地震勘探是当前全球油气勘探的主要技术,其通过人工激发并记录地震波,利用计算机对所采集的地震记录进行加工、改造,以获取地下介质的构造分布信息。勘探地区地质环境复杂多变、废炮、检波器故障等因素的存在,导致得到的地震数据是不完整的。进而对后期的数据处理和解释工作造成一定的困扰,因此完整地震数据的重建成为地震资料处理的重要环节。传统的地震数据插值通常需要假设地震数据是线性的或是稀疏的。深度学习作为近年来的研究热点,是一种基于数据驱动的模型学习方法,通过学习数据的特征获得网络参数,之后对数据进行预测。深度学习算法不需要对数据进行复杂的预处理,不必对地震数据进行先验知识的假设。本文采用深度学习方法重建缺失地震数据。本文主要进行了以下两方面的工作:1.提出了基于超分辨率卷积神经网络的地震数据重建算法。以均方误差作为损失函数,通过构建三层卷积层来实现从缺失地震数据到完整地震数据的学习,从而实现地震数据的智能化重建。将算法分别应用于随机缺失和规则缺失的合成地震数据和实际地震数据,实验结果表明,对于实际地震数据,基于超分辨率卷积神经网络的地震数据重建算法在重建完整性和保护细节信息两方面均优于传统的地震数据插值重建算法,对于合成地震数据,随机缺失情况下,由于卷积核的作用重建效果有待提升。2.提出了基于条件生成对抗网络的地震数据重建算法。针对卷积神经网络算法在多道相邻数据集中缺失情况下重建后同相轴存在少许断裂的不足,将生成对抗网络应用于地震数据重建,并对损失函数和模型进行改进,以缺失地震数据作为条件约束信息引入模型,提出了基于条件生成对抗网络的地震数据重建算法。实验结果表明,所提算法能有效解决随机缺失时卷积神经网络重建中的同相轴不连续问题,给出更加优于传统地震数据插值算法的重建结果,并且与基于生成对抗网络的地震数据重建效果进行性能比较,实验表明,本文的方法在信噪比、重建效果及残差图、信号谱对比上均要略胜一筹。本文提出的两种基于深度学习的地震数据重建算法,在重建数据的完整性、同相轴的连续性、细节的保护能力以及信噪比等方面,均优于传统的地震数据重建算法。