随着地震勘探的要求越来越高,人们面临的勘探环境日趋复杂,地震数据采集的成本也不断提高,且复杂勘探环境使得观测的地震数据集常包含各种噪声信号,特别是由于禁采区、地形等对地震数据采集的影响,导致采集到的地震数据存在缺失的道集。地震数据质量的好坏会影响后续的资料处理与解释工作,所以,对地震数据进行去噪和重建处理,进而获取较真实的原始地震数据,提高地震资料的信噪比和保真度,是当前地震资料处理环节的重点和难点问题。随着传统人工或自动化算法无法满足复杂的海量地震数据处理需求,人工智能算法不断被引入到智能化地震数据处理与解释领域。然而,针对具有低信噪比、弱信号同相轴的复杂地震数据同时去噪与重建,高效智能化算法研究仍属于该领域主要研究前沿方向。因此,本论文基于数据驱动紧支撑框架的字典学习算法,创新性的引入对比学习框架算法,研究实现高效的地震数据同时去噪与重建算法。具体研究内容如下:（1）研究了基于数据驱动紧支撑框架（Data Driven Tight Frame,DDTF）的地震数据同时去噪和重建方法,以字典学习理论为主,推导了DDTF的同时去噪和重建算法,利用紧支撑框架性质,构建具有完全恢复特性的自适应紧支撑框架字典,实现字典的快速迭代和更新,使DDTF方法用于高维地震数据同时去噪和重建成为可能。但面对大规模的高维地震数据,训练样本集合规模巨大,计算速度仍需提升,需要探索减少训练样本、提高计算效率的方法。（2）研究了一种新的DDTF训练样本选取策略,提出了一种基于视觉表征对比学习框架（Simple Framework for the Contrastive Learning of Visual Representations,Sim CLR）的自适应训练样本选取方法,分析了Sim CLR算法的特点和优势,给出了基于Sim CLR训练样本选取策略的数据驱动紧支撑框架同时去噪和重建算法。在对比学习框架下,结合地震数据的特点,使得该方法能够有效地追踪地震同相轴,自适应选取包含更多地震同相轴信息的数据块,包括弱信号和强振幅的地震同相轴,得到包含丰富信息和细节结构的训练样本,使训练后的字典组能够更加稀疏表示精细结构,提高了去噪和重建结果的分辨率。（3）本文设计了几种二维和三维地震数据的去噪和重建算例,包括数值算例和实测算例。通过分析数值和实测算例结果,证明了本文提出的基于Sim CLR训练样本选取策略的数据驱动紧支撑框架同时去噪和重建方法的可行性和有效性,该方法可以加速字典训练过程,恢复地震数据中更多的精细结构,获得更高的去噪和重建信噪比,为处理大规模高维地震数据去噪和重建问题提供了新的解决思路。