多次波压制一直是地震资料处理中的难点,多次波和一次波在时间-空间上存在非线性联系,较难进行彻底压制。作为一种相干噪声,多次波会影响成像结果的真实性,影响地震资料的解释,因此多次波的压制是实际生产中必不可少的流程。目前多次波压制方法可分为两大类,一类是将地震数据映射到其他域,在变换域实现一次波和多次波的分离,进而通过切除等手段对其进行压制的方法,该类方法存在分辨率低、一次波和多次波分离不彻底等问题,可能造成多次波压制不完全,或一次波能量的损伤;另一种是基于波动理论的多次波压制方法,该方法无需地下介质的任何信息,依靠数据自身就可以预测并压制多次波。该方法虽然可以取得较好的压制效果,但其计算量大,计算效率较低。因此研究一种高效高精度的多次波压制方法具有重要意义。近年来,机器学习越来越广泛地应用于地球物理勘探。其中,深度学习是一种对复杂特征分布的有效提取方法。本文将深度学习应用在地震数据多次波压制中,首先利用卷积自编码器网络和U-Net网络对不相干噪声进行压制,即在数据特征差异较大的情况下观察网络表现情况。再从多次波和一次波的波形相似性出发,考虑在时间-空间数上数据特征的分布特点,利用2D和3D卷积自编码器网络进行多次波压制试验,以原始地震数据作为输入,一次波作为输出,通过梯度下降方法（Adam优化器）来训练网络。试验结果表明,相较于2D卷积自编码器网络,3D卷积自编码器网络能够更好地利用地震数据在不同维度之间的特征关系,充分提取一次波与多次波在时间-空间上的分布特征,压制多次波效果更好。为进一步提高多次波压制的精度,我们在采用3D卷积神经网络的同时采用改进的U-Net网络结构,该网络结构可以将不同卷积层提取的特征整合到一起,避免造成有效信号丢失,使得去噪结果更加保幅。实际数据结果表明,与采用相同网络结构的2D U-Net网络处理结果相比,3D U-Net网络模型在更好的压制多次波的同时几乎不损伤一次波信息,是一种高效稳定的多次波压制方法。最后,在CDP道集中,本文采用2D U-Net对多次波进行压制,实际数据结果表明,对于被拉平的一次波和弯曲形态的多次波,2D U-Net网络也能够取得较好的压制结果。