随着机器学习方法的不断发展与完善,涌现出了一股以深度学习为首的人工智能浪潮。以卷积神经网络为代表的深度学习方法在图像识别、语义识别等热门人工智能领域大放异彩,也吸引了地震勘探领域的研究者们的兴趣。地震资料解释是地震勘探的重要组成部分,而断层解释与地震相分析是地震资料解释的重要内容。机器学习算法目前在地震资料解释中的应用主要体现在两个方面:实现自动化,提高效率,如断层自动识别,地震相自动分析等;发挥机器算法的“智能化”特点,探索解决一些超越人工解释的效果和精度,如地震属性分析和地震反演等。因此,机器学习算法在断层解释和地震相分析方面可以发挥重要作用。本文是基于相关科研项目中对解决潜山内幕小尺度断裂精细刻画以及复杂地质条件下的地震相分析的需求而确立的。主要针对于深度学习方法在断层识别和地震相分析中的适用性及应用效果展开研究,重点探讨了各种深度学习网络模型的构建与训练、参数的调节,标签数据的产生及有效性、解决过拟合等一些算法方面的问题;探讨了针对不同的应用目的,如何建立深度学习算法模型及方法应用效果等问题。通过本次研究,提高了对深度学习算法中网络模型构建与误差反传机制等关键问题的认识;基于python语言和Tensor Flow框架实现了断层识别和地震相波形分类的卷积神经网络(CNN)计算;改进了CNN网络模型的上采样结构,在不降低识别结果精度的前提下简化了网络结构,使用了残差学习模块对卷积层结构做出改进,通过增加惩罚系数改进了原有损失函数,提高了深度学习网络的泛化能力;通过实际资料的应用表明,基于CNN算法的断层识别精度得到了提高;通过结合有监督与无监督学习各自的特点与优点,建立起有监督与无监督联合的深度学习波形分类方法,在实际资料的应用中提高了地震相分析的可靠性。