速度在地球物理勘探中扮演着十分重要的角色。精确的速度模型不仅是偏移成像和其他高分辨率勘探方法的前提,也是进行地震数据时深转化所必不可少的重要因素。在常规方法中可以使用全波形反演或者其他的层析成像技术获得地质体速度。但是这些常规方法存在计算成本高,大量耗费人工的缺点。并且严重依赖于人工交互。针对这一问题,本文提出一种基于监督机器学习的速度模型建立方法来实现地震数据从时间域到深度域的精确转化。机器学习方法有别于传统全波形反演等方法,该方法基于大量的训练数据来进行结果的预测。在训练阶段,利用根据速度模型所获得的多炮点数据集作为输入数据。在预测阶段,训练网络根据输入地震数据进行速度模型估计。机器学习一个关键特性是,它可以自动提取多层有用的特征,而不需要人为干涉和初始速度设置。在训练阶段,为了使神经网络训练结果更加精确,往往需要大量的时间进行训练,但是预测阶段却只需要较短的时间就能完成速度模型的估算。运用机器学习方法进行速度模型估计的关键在于训练模型的准确性。因此就需要获得精确的输入模型,这就要求进行精确的正演模拟来获得多炮点数据集。通过对模拟速度模型进行训练,基于机器学习方法的速度模型建立方法能在保证精度情况下大大的缩减反演所需要的时间,具有较好的应用前景。