地震反演技术在地震勘探中占有举足轻重的地位。然而受限于地震数据的质量、正演物理模型的精度、地震子波未知等问题,传统的反演方法存在一定的不适定性。近年来,随着计算能力及深度学习算法的发展,越来越多的深度学习方法被应用在地球物理勘探领域,并体现出卓越的应用潜力。基于此,本文旨在结合传统反演方法与深度学习的优势,尝试解决传统地震反演方法中存在的问题。基于经典的自编码器这一网络架构,以双向门控循环神经网络为基本单元,以学习具有代表性的地震数据或测井数据为代价,我们提出了五种不同的基于数据驱动的反演方法,并对其进行了对比分析。随后,我们重点探讨了双监督反演方法,该方法由一个编码器和一个解码器组成。首先,建立从测井数据到地震数据的映射关系,学习一个广义正演算子,也叫解码器。此正演算子是由数据之间的映射关系决定的,因此,相对于传统的正演物理模型,没有诸多的假设条件,完全的反映了数据之间最本质的特征。其次,吸取传统反演方法中数据匹配项这一特点,我们将训练好的正演算子作为约束项,进一步学习从地震数据到测井数据的反演算子,也叫编码器。此时,正演算子的约束减小了在求解反演算子时的多解性,进一步缩小了解空间;同时使得反演算子估计得到的解满足正演算子中蕴含的地震波传播规律。在这整个的训练过程中,不涉及任何提取地震子波的步骤。最后,当训练次数足够时,所得到的最优编码器可推广到未见的地震道上,直接得到待反演的模型参数。使用上述双监督反演算法,通过Marmousi模型及实际的叠后数据说明,即使在地层横向变化较大且地震数据受到噪声干扰的情况下,该方法也具有恢复带有准确低频背景的绝对阻抗的潜力。此外,绝对阻抗中的低频分量主要来自于测井数据。同时,探讨了地震数据主频、噪声水平、井位置及数量等因素对该方法的影响,并得到了一定的认识。最后,尝试了从合成数据到实际数据的迁移学习。广义上来说,高分辨率处理,如反褶积、反射系数反演,也属于反演的范畴。我们阐述了基于深度学习的高分辨率处理与基于模型驱动高分辨率处理之间可能存在的联系。同时,将双监督反演方法应用于高分辨率处理,并与传统的反褶积方法进行对比,使用合成的二维、三维说明双监督反演方法的应用潜力。也探讨了伪井频宽及地震数据质量对该方法的高分辨率处理结果的影响。最后,基于该方法,提出高分辨率子波的概念,并从这个角度分析了影响高分辨率处理结果的因素。