在位场勘探中,由于一些不可避免的因素,实测的位场数据通常都包含着明显的噪声干扰,影响了后续的数据处理和解释。特别是在复杂环境下的噪声干扰具有强度大、与异常信号尺度相近的特点。现有的位场去噪方法常常存在着去噪不彻底或者去噪过渡导致位场异常失真等一系列问题,难以取得理想的去噪效果。针对此问题,需要研究出一种有效的去噪算法,在去除噪声干扰的同时,尽可能多的保护有效异常信号,自主寻找最佳的解决方案,达到提高位场资料质量的目的。随着深度学习技术被广泛应用于地球物理领域,本文提出了一种基于深度卷积神经网络的位场数据去噪方法,主要的研究内容如下:我们深入研究了深度卷积神经网络和位场数据去噪方法的国内外研究现状、基础理论内容和技术原理。在此基础之上将图像去噪中最先进的去噪卷积神经网络Dn CNN运用到位场数据去噪中。同时建立了适合于位场数据去噪的数据集,提出了更适用于位场数据去噪的改进算法,即网络模型映射对象为位场异常信号和15层的网络深度。实验结果表明,在处理异常尺度和噪声尺度相近的强噪声时,相比于传统的位场数据去噪方法,即试验不同滤波参数的正则化滤波、补偿圆滑滤波和滑动窗口平均法,本文构建的Dn CNN自适应去噪算法无需设置滤波参数,同时既可以保护位场异常信号,又能达到全局有效去除强噪声的目的。以定量角度分析时,本文算法拥有更优的量化指标(信噪比和均方误差)。同时,在误差对比实验上也拥有更小的误差范围。最后对算法进行适用性测试,测试结果表明,本文的去噪算法对不同噪声强度和随机异常信号的含噪位场数据都具备一定的适用性。同时,对比不同强弱噪声条件下的去噪结果得出,本文算法更适用于强噪声条件下的去噪问题。这对于后续的位场资料处理和解释工作具有重要意义。