在油气勘探领域中,地震相图一般通过模式识别技术对地震信号进行分类生成,它对地下油气储层的确定有重要的作用。叠前地震波形相对于叠后地震波形来说,维度更高,数据量更大,包含的信息也更丰富。叠前地震信号维度高,直接处理容易引发维度灾难、计算量过大、分类效果不精确等问题。现有的有监督学习方法使用测井信息作为有标签数据对模型进行训练,然后使用该模型进行地震相分类。测井信息数量在大规模地震数据中是少量的,容易引起过拟合等问题,使分类结果不精确。针对上述问题本文从叠前地震信号预处理、降维和特征提取、聚类算法以及半监督学习等方面,结合深度学习展开研究,具体工作如下:一、提出基于深度卷积自编码器的叠前地震波形分类方法:(1)针对叠前地震波形维度较高,信息复杂的特点,引入深度卷积自编码器对叠前地震波形提取特征。深度卷积自编码器具备非常好的特征提取能力,能够提取叠前地震信号的深层次的非线性特征。同时,由于卷积神经网络的权值是共享的,所以本算法的计算复杂度非常低,适用于大规模的叠前地震波形数据。(2)引入模糊自组织映射网络算法对叠前地震波形数据的特征进行分类。在传统的无监督分类方法中,每个样本数据的分类结果是确定的,即样本会被分到某个特定的簇。而本算法使用一个隶属度表示每个样本的分类结果,从而用这个隶属度展示地震相分类的结果。使用模糊自组织映射网络生成的地震相图比传统方法提供的信息更丰富,错误的情况更低,更能反应地质结构,为进一步的地震解释提供基础。二、提出基于深度卷积生成对抗网络的半监督叠前地震波形分类方法:在一个工区中,只有少量的测井数据(即有标签数据),这些数据相对于整个工区的地震数据是稀疏的。如果使用有监督分类方法(如SVM、神经网络等)会很容易产生过拟合。针对此问题,本文提出了基于深度卷积生成对抗网络的半监督叠前地震波形分类方法,该方法既保留了深度卷积神经网络的特征提取能力,又能通过有标签数据辅助训练。使用该算法能得到更为精确和合理的结果。