地震噪音压制和数据重建是地震资料处理的重要组成部分,可为地震成像和反演提供高质量的输入数据。本文详细讨论了基于神经网络的和基于低秩矩阵近似的无监督特征学习理论,以及它们在地震噪音压制和数据重建中的应用。地震资料中的噪音有多种形式,每种噪音都有其独特的形成机制。根据噪音与地震信号的相干性,可其将划分为相干噪音和非相干噪音两种,本文针对非相干噪音进行压制方法的研究。基于不同的无监督特征学习理论,本文提出了压制地震非相干噪音的三种新方法。具体为:1)基于无监督学习方式构建三层自编码网络,并对隐层施加稀疏约束,通过优化网络使其学习到可以表征有效信号的隐层特征,最后利用所学的隐层特征重构去噪结果从而实现噪音的压制;2)基于无监督学习方式构建深层卷积神经网络,通过调整网络结构使其具备对数据降维的能力。由于非线性激活函数和卷积运算的参与,网络优化后所获得低维的复杂隐层特征中还包含数据的局部空间相关特征,利用该隐层特征重构去噪结果时有利于在噪音压制的同时提高有效信号的保真度;3)基于低秩矩阵近似理论,首先对频率域中的地震数据进行Hankel矩阵化,利用信号矩阵的核范数和噪音矩阵的L1范数构建一个低秩约束下的凸优化问题,再采用正交子空间学习方法优化目标函数来学习含噪Hankel矩阵的低秩特征进而重构噪音压制后的地震数据。所提出的鲁棒低秩矩阵近似方法不仅可以有效压制高斯随机噪音,在面对振幅过大的异常非相干噪音干扰时仍具有较好的鲁棒性。由于野外采集条件的限制,原始地震资料可能是空间分布不规则的或欠采样的,地震数据重建技术可将其重构为空间分布规则、完整的地震数据。基于不同的无监督特征学习理论,本文提出了两种地震数据重建新方法来实现缺失地震道的恢复。具体为:1)首先构建维度逐层递增的多层神经网络,仅利用存在缺失地震道的观测数据参与网络的训练,从而使网络以无监督学习的方式学习观测数据的低维隐层特征并将其用于完整数据的重构,所提出方法可有效恢复三维地震数据的缺失地震道;2)基于低秩矩阵近似理论,对不完整地震数据进行缺失道的恢复可视为一个矩阵降秩问题。在多道奇异谱分析方法的数据重建框架下,本文采用鲁棒矩阵降秩方法取代传统的截断奇异值分解或随机奇异值分解从而获得更为可靠的低秩特征。所提出方法可以重建五维地震数据,在振幅过大的异常非相干噪音干扰下比多道奇异谱分析方法具有更稳定的重建表现。