随着全球人口增长和现代化的进程继续不断推进,也就造成了对能源的需求也日益增加。虽然对新能源和可再生能源的开发研究从未止步,但石油和天然气现在仍然是不可或缺的重要资源,可以说各行各业都需要石油和天然气资源的强力支撑才能维持整个社会稳定前行,因此继续对油气勘探研究仍至关重要。地下的层位在构造应力作用下破裂、错位形成了断层。断层既是油气田的边界,也是油气运移、聚集的通道。断层的解释是油气勘探开发中十分重要的工作,断层的分布和形态对油气藏的识别和描述起到关键性作用,并对地壳发展构造和天然气、石油等的开采与分布都有着非常重要的影响。近几年随着地震勘探技术的不断提高,地震数据的体量也越来越大,利用常规的方法进行断层解释不仅十分琐碎和耗时,而且难度较以及无法重复验证,复杂的解释流程也对解释人员专业性的要求十分高。随着近几年人工智能在各行各业应用的爆炸式增长,人工智能的各种方法已经应用到各行各业。深度学习是人工智能方法研究的热点,它提供了一种思路利用更深的神经网络方法来把人类的经验来让计算机进行学习,从而来代替人类判断来解决某些问题。图像分割是指根据图像的灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域,简单的说就是在一副图像中,把目标从背景中分离出来。在地震勘探领域的断层解释中,地震振幅图像中包含大量的有用关于地下地质构造的信息,通过对些信息的利用可以很好的实现断层解释。因此可以充分利用深度学习方法的优势,让计算机来学习地震断层解释的模式,实现从计算机视觉来识别地震数据中的断层,这样可以大大的减少人为干预以及错误的发生,并大幅度减少断层解释所需要的时间。鉴于此,本文针对地震数据中断层解释中面临的一些问题,结合目前最流行的深度学习方法,提出了基于深度学习语义分割的断层识别方法,并研究了在地震数据进行深度学习中有效样本难以获取和样本不平衡的问题,还进行了断层识别结果优化后处理的研究。主要有以下的具体工作:（1）分析了深度学习语义分割中地震断层识别问题,并设计了一种适用于地震振幅图像的端对端的深度学习语义分割网络,实现了计算机视觉来识别地震断层,并在合成地震数据上对网络进行了多方面的测试。（2）对深度学习地震断层识别方法中样本选择方式进行了研究,针对合成地震数据训练模型来预测实际地震数据中存在的效果不稳定问题,提出使用在待解释三维断层数据中选取部分二维切片数据人工解释断层作为训练样本,并通过数据扩充方法得到足够量的学习样本。（3）针对地震振幅图像中断层和非断层的数量严重不平衡的情况,研究了采用加权的交叉熵损失函数使神经网络朝准确的方向进行拟合学习。（4）对深度学习语义分割方法的断层识别结果进行了优化后处理研究,利用孤立小连通区域去除方法消除识别结果中的噪声,利用通过骨架化方法对模型预测的断层进行细化处理并利用剪枝操作去除骨架化过程中产生的多余枝节,采用八邻域端点检测方法寻找识别的断层线中断开点并连接不连续的断层。（5）结合深度学习语义分割断层识别网络和断层优化后处理提出了一个基于深度学习语义分割的断层识别流程,并在实际地震数据进行了断层识别处理,还对不同数据不同方法识别出来的断层效果进行了定性和定量分析,深入论证了本文方法的稳定性和可靠性。本文主要创新点为:（1）在VGG16网络基础上设计出一种针对地震断层识别的端对端深度学习语义分割轻量化网络结构。不仅能减少训练时间和预测时间,还能够实现在较少断层样本情况下保持良好断层识别效果。（2）针对深度学习语义分割识别结果中存在的问题,提出了断层识别结果优化后处理的方法流程。整个流程包括孤立小连通区域去除的方法剔除噪声,使用基于距离变换骨架提取算法来得到细化的断层并用剪枝算法去除产生的多余枝节,还提出了一种基于八邻域端点检测的方法来寻找并连接属于同一断层线上的断开点。