地震资料的分析与解释在油气勘探上至关重要,而高精度地检测盐体是地震反射成像中最关键的任务之一。当前传统方法需要经验丰富的专家来人工手动解释盐层,从而定位出盐体位置,但这样使得解释出来的结果主观偏见较多并且准确性存疑。如今随着深度学习技术的发展和计算能力的提升,有效规避现有方法的缺陷,促进计算机领域与地球物理领域融合的社会生产实践,为地质勘探人员解释盐体提供精确且高效的理论支撑,在地震资料解释领域取得不错的成效。为实现盐体图像的自动化精准分割定位,本文主要通过以下方面进行研究:（1）针对现有的语义分割网络中因网络层数提高导致的网络退化、池化导致图像的分辨率降低、部分边缘信息丢失、没有深入挖掘盐体数据的目标大小、形状、纹理、空间关系以及边缘细小的问题,本文使用了一种结合Unet与Res Net50的特征编码盐体分割识别方法。该方法结构保留编码过程中不同层丢失的信息,大大降低了网络学习目标特征的难度,弥补了细节丢失的问题,一定程度上提升了分割精度。（2）针对盐体数据量有限的问题,本文设计数据增容、模型集成、早停法等方法,使网络能够学习到更多的特征,提高模型的鲁棒性以及泛化能力。针对模型训练效率低的问题,使用Lovász-hinge损失函数、更快的IOU模型衡量标准和学习率调整策略SGDR、在Image Net上预训练好的Res Net50模型作为编码器的输入等方法,提高模型的稳定性和运算效率。（3）为进一步捕获边缘和纹理特征信息,保证网络能够学习到图像高层次的语义信息,本文使用了将Xception作为编码结构与Restnet作为解码结构的盐体分割识别方法,将预训练Xception作为编码器,有效地改善了模型在盐体特征提取的效果。而为了有效整合高维度的语义信息与低维度的空间信息,本文选择Restnet作为解码器。为加速模型收敛,缩短训练时间,提高训练稳定性,改善深度学习模型泛化能力,本文使用了Normalized Gradient SGD,SWA模型优化方法,通过实验验证,不仅在盐体图像的语义分割任务上表现更佳,同时也提升了图像内部潜在的纹理以及边缘特征的识别效果,有效提高了模型的性能。