在油气田预测研究中,通常利用地震相预测地下地质结构,划分好的地震相图在开采过程中具有很高的应用价值。识别地震信号的反射模式,是划分地震相的主要方法之一。如果直接处理高维地震信号,容易引发计算复杂度高、维数灾难和划分效果模糊等问题,所以需要对其提取特征来表征地震反射模式。但目前叠前地震信号的特征提取方法大都只生成单一特征,无法完整表征叠前地震信号的反射模式;传统叠后地震信号特征提取方法大都需要人工参与特征提取过程,无法做到数据驱动的智能特征学习。因此本文基于地震信号特征提取,结合地震信号预处理和分类识别算法对地震反射模式识别方法进行研究,主要创新工作如下:一、提出基于多尺度特征融合的叠前地震反射模式识别方法(1)针对叠前地震信号数据量大、标签量少的特点,本文首先引入深度卷积生成对抗网络对叠前地震信号无监督地提取多层特征。生成对抗网络模型是目前最新的无监督学习模型,通过改进可以提取叠前地震信号一系列从低层到高层的特征。(2)在改进的深度卷积生成对抗网络的基础上提出一种新的基于多尺度特征融合的特征提取方法。通过多尺度融合低层特征和高层特征,可以得到叠前地震信号反射模式的完整表征,从而能对叠前地震反射模式开展更为精准的识别工作。最后引入模糊自组织映射神经网络对得到的融合特征进行分类,生成最终的叠前地震相图。二、提出基于智能特征学习的叠后地震反射模式识别方法传统方法多采用人工设计或筛选的指标来提取叠后地震信号的特征,这些方法通常需要的工作量很大并极其依赖专家知识而无法做到自动化定量。针对这些问题,本文首先提出叠后地震信号智能特征学习方法,该方法能够在数据驱动下自动学习叠后地震信号特征。并引入模糊自组织映射神经网络对学习到的特征进行分类,生成叠后地震相图。这种叠后地震反射模式识别方法能够在降低工作量的同时提升识别效果。