地震勘探是油气和矿产资源探查的重要手段之一。近年来,伴随着易探易采资源的枯竭,需要对复杂地层中非常规资源进行开发利用,对勘探记录质量提出了更高的要求。受到采集条件限制,采集到的地震记录中通常混杂着大量的噪声,对有效反射信息的获取和识别带来了不利影响,造成同相轴不连贯且难于辨识、地震资料信噪比（Signal-to-Noise Ratio,SNR）低,给后续地震资料处理带来巨大的困难。现有的传统方法处理这种复杂地质结构中提取的地震勘探数据效果并不理想,此外,地震随机噪声通常会表现出非平稳、非高斯和信号同频混叠等复杂特性,压制难度相对较大。为有效提升勘探资料处理水平,卷积神经网络被引入到地震勘探领域用于地震勘探数据的高效智能地去噪,并取得了较传统方法更优的处理结果。但现有的卷积神经网络架构相对简单,同时缺少适应勘探资料处理的高保真数据集,导致去噪网络在压制噪声的能力和资料处理精度方面存在不足。因此,本课题基于前馈去噪卷积神经网络（Feed-Forward Denoising Convolutional Neural Networks,DnCNN）,设计了两种新型的智能化去噪卷积神经网络,并将其应用于沙漠测区实际地震勘探随机噪声消减问题。针对复杂勘探噪声压制问题,本课题分析DnCNN网络在地震勘探数据去噪上存在的问题,提出一种多分支的特征增强卷积神经网络（Diverse Branch Block feature enhancement Convolutional Neural Networks,DBBCNN）,该网络利用DBB模块来丰富特征空间,同时利用空洞卷积扩大感受野,并采用长路径操作融合全局特征和局部特征,提升网络对细节特征的表达能力。在此基础上,为了进一步提升网络性能,本课题继续对DBBCNN网络进行改进,提出一种新型的双层多尺度特征融合去噪网络（Double Multi-scale Feature Fusion Denoising Network,DMFF-Net）,通过增加网络宽度来提高网络性能,将两层不同子网络提取的特征按通道进行拼接融合,提取更为全面的特征。同时,为了持续提升网络对于复杂随机噪声的消减能力,本课题构建了高保真训练数据集,通过正演建模与实际勘探噪声相结合的方式进行构建,满足高精度噪声压制网络对于高真实性训练样本数据需求。为验证提出算法的有效性,本课题将训练好的网络模型对模拟数据和塔里木地区测得的实际勘探资料进行处理分析,并与经典传统算法和深度学习算法的处理结果进行对比分析。模拟和实际数据处理结果均表明,本课题提出的两种方法可以有效地压制沙漠地震资料中的复杂随机噪声,同时对于沙漠测区深层弱反射信息具有良好的恢复能力。可以满足实际地震勘探方法对于噪声压制技术的要求,综上,本课题提出的噪声压制网络能够实现复杂勘探噪声的智能压制和弱反射信息的重构,可为后续噪声压制网络的设计提供参考。