地震数据在采集过程中由于受到周围环境,人为因素和采集处理设备等的影响,常伴随有噪声。噪声通常分为相干噪声和随机噪声。地震数据噪声压制对于后期地震资料的处理和解释具有重要的意义。为了去除地震数据中的随机噪声,学者们提出了多种方法。如f-x反褶积、基于稀疏变换的傅立叶变换和小波变换法、基于模态分解的变分模态分解法、基于矩阵低秩表示的奇异值分解法和基于滤波原理的中值滤波等方法。这些方法需要借助优化问题的求解实现信号的分解,然而这些优化问题往往不具有凸性,导致问题的求解常常陷入局部而非全局最优解。另外,模态分解法需要根据输入信号的特点人为设置参数,分解后先前设置的参数还需要重新人为依经验调整。这些基于模型的方法泛化能力较差。深度学习是近年来发展起来的一类新方法,该方法以数据为驱动,通过训练集训练自适应性的更新网络的权重和偏执,提取信号的特征。该类方法具有较好的泛化能力,广泛应用于图像处理和识别领域。本文在平稳小波变换的基础上结合残差神经网络,提出了一种基于小波变换的残差网络模型。该方法首先将地震信号经过一级平稳小波变换,得到低频和水平、竖直和对角高频分量。四个分量作为残差网络的输入,通过残差网络学习含噪声信号中噪声的小波分解分量。在此基础上,从含噪声信号的小波分解中减去学习到的噪声的小波分解,得到去噪信号的小波分解。最后通过小波逆变换得到去噪信号。通过与传统的f-x变换、小波变换等数值对比试验表明:该算法在峰值信噪比、结构相似性方面取得了好的结果,能有效的压制随机噪声。不足之处在于,基于深度学习的方法需要通过大量的数据集训练来提高预测的效果,训练过程较为耗时。