当今油气能源供需关系日渐紧张,迫使油气勘探开发向“深、低、非、海”领域延伸。其中,塔里木沙漠地区作为“超深地,非常规勘探”的典型区域,是油气勘探的重点目标区域。因此,通过地震勘探手段,深挖塔里木地区储层潜能,实现精细化开采是缓解未来能源局势紧张的有效途径。但是,其地表厚沙层覆盖、地下地质结构岩性复杂以及油气藏分布深等特殊环境,造成震源激发与信号接收困难,且伴随明显的能量衰减效应,直接导致地探数据信噪比低,严重影响数据解释;此外,为推进塔里木地区超深地勘探的重大战略部署并实现超深地下高温高压的地震信号采集,新型分布式光纤检波（Distributed acoustic sensing-DAS）技术应运而生。然而,DAS数据包含多种由系统自身波-光-电转换机制引起的光学噪声干扰,同样极大地降低了数据质量。上述两种非常规地震勘探所引发的数据低信噪比问题,对当前地球物理信号处理技术提出了全新的挑战和要求,同时也是创新发展的新机遇。如何提高勘探数据的信噪比,是实现地下构造透明化,油气资源可视化的前提和基础。而传统消噪方法由于过度依赖人工经验以及阈值调试等局限性,难以满足当前低信噪比、多类型干扰数据的消噪要求。因此,必须大力开发与复杂地探数据相适应的高水平、智能化的新型消噪技术。尤其是面对人工智能带来的全球科技技术革命,合理利用深度学习等先进技术,降低人工经验依赖性,增强数据驱动分析的可靠性,从而提高复杂地探数据的消噪处理能力和应用效果是本文的目标。本文针对复杂低信噪比地探数据（包括陆地地震勘探与新型DAS数据）,以卷积神经网络为技术支撑,开展一系列匹配地球勘探数据消噪任务的算法研究,旨在实现高信噪比,高分辨率、高保真度的消噪目标。研究内容重点聚焦于深度学习算法从图像学习到地震数据学习转变过程中面临的技术壁垒,围绕深度学习三要素“数据、算法、算力”,提出智能数据增强策略,开发转换域学习模式,并且构建匹配网络框架。基于充足数据供给,利用神经网络深度挖掘地探数据特征以实现多域、多特征映射,致力于超深层弱信号的高质量恢复。首次建立由数据引导、双重损失函数约束下的智能噪声生成模型,并利用模拟数据实现训练集数据增强。由于地探数据具有“高保密性、高成本性、强区域性”的特殊性质,且标签数据依赖专家人工标注,导致神经网络训练中标签数据缺乏,是阻碍地球科学领域中智能信息技术发展的主要因素。为解决数据饥渴问题,本文构建一种基于改进VAE（Variational Auto-encoder）生成网络的噪声模型,以产生高质量、“无限量”的模拟噪声数据用于训练集扩充。得益于VAE强大的学习能力,改进VAE首先利用编码网络将输入降维表示为两特征参数构成的隐码;同时,为保证“智能噪声源”VAE具有可类比于真实噪声源的随机生成能力,迫使隐码分布逼近混合高斯分布,并计算两分布之间KL距离（Kullback-Leibler）以衡量编码精度;最后,将KL距离与解码网络的MSE（Mean-Squared Error）损失函数结合,构成双重损失函。令网络在训练过程中同时权衡编码精度与拟合精度,最终得到最优噪声模型。所提出的改进VAE智能噪声模型无需人工标注,无涉密限制,可推广到不同地区、不同特征的噪声建模,从根源上解决训练集数据饥渴问题。同时,其作为数据增强有效手段在实际地震资料处理中表现出显著的泛化性和可行性,具有实际应用意义。创新提出SSTCNN（Synchrosqueezing Transform Convolutional Neural Network）网络,基于转换-提取-分离的网络学习策略,实现时频域特征的消噪映射。以2021年变革性技术关键科技问题之一——DAS地探应用为研究对象,针对于DAS数据中多类型,高强度,新机制的噪声干扰,提出SSTCNN转换域学习的高质量消噪算法。首先,考虑到复杂数据类型直接影响网络的非线性映射精度同时增加计算难度,从而采取变域学习策略,利用同步压缩变换的时频域表征作为网络输入;然后,利用卷积、标准化以及非线性激活网络层的串联结构,保证转换域中特征提取与信息流动,并计算时频域内含噪表征到噪声表征的估计参数映射;最后,将时频域消噪结果经SST逆变换得到时域信号。此变换域学习策略为网络提供更为统一、集中的先验信息,从而避免大量冗余计算,简化消噪模型优化收敛过程,且一定程度上减少模型对于海量训练数据的依赖。相比于传统消噪方法与常规深度学习算法,实验结果证明SSTCNN可有效实现超深层、弱信号、多类型含噪数据的消噪处理。该方法进一步完善了DAS地探应用匹配的智能化信息服务,为油气勘探的数字化转型提供了技术支撑。构建多通道卷积神经网络SVDDCNN（Singular Value Decomposition Denoising Convolutional Neural Network）,进一步匹配DAS数据时域内多特征信息的消噪映射。针对于复杂强干扰数据中特征提取困难,以及地球勘探领域中不存在纯信号数据来构建信号训练集这两方面问题,设计多通道网络框架实现多特征信息提取。首先,设计网络三通道输入层,分别输入经奇异值分解后的三个子空间的不同表征;采用卷积神经网络结合单层残差学习结构,令网络从含噪数据中抓取噪声数据特征而不是信号特征,通过循环训练得到噪声“蘸取”模型;将此模型应用于DAS含噪子空间数据,预测其中噪声数据并去除。此多通道输入结构通过拓宽网络宽度实现特征数据的高效供给;同时,利用残差学习,加深网络纵向深度,增强算法信息流传播效率,增强非线性映射精度;另一方面,创新地将子空间高信噪比数据作为训练数据,直接解决了无纯净信号数据问题,为地探数据训练集构建提供新思路。实验结果证明,多通道网络结构能够有效提升卷积神经网络对复杂干扰数据的处理能力,实现了极低信噪比背景下的高水平信号恢复目标。