地震相分析是研究地层沉积相和沉积环境的重要手段,可为油气藏的勘探与开发提供有益借鉴。过去的地震相分析方法往往依赖于研究人员的经验知识,存在主观性强的问题,且在面对大量地震数据的解释工作时,表现出效率低下的弊端。卷积神经网络能够对地震数据集中的特征进行学习、提取,从而实现对地震相的识别。本文从卷积分类网络和语义分割模型两种方法入手,对地震相识别进行了探索。具体工作和成果如下:（1）使用卷积分类网络对斯坦福VI-E储层数据进行地震相识别。首先在斯坦福VI-E储层数据体上随机选取十个坐标,每个坐标点沿着深度方向截取32×32×32的立方体。并对每个立方体中三个维度的正交平面进行提取,生成了用于地震相分类的训练数据集。针对目前主流的卷积分类网络如VGG、Res Net,通常会进行四到五次下采样操作,并不适用于小尺寸数据集的问题。本文在VGG16和Res Net50两个模型的基础上进行结构修改,减少模型的下采样次数,使得模型适用于小尺寸数据集。最终得到了两个新的卷积分类网络模型s VGG和s Res Net,同时搭建了Le Net模型用于实验对比。将三个网络应用于斯坦福数据集,结果表明卷积分类网络能够有效地进行地震相识别,并且s Res Net网络依靠残差结构,在地震相分类任务中的表现优于其他两个网络。（2）使用语义分割算法对荷兰北海F3地震数据集进行地震相识别。语义分割算法对地震剖面中的每一个像素点所属的地震相类别进行判断,从而实现了端到端的地震相分析。针对现有语义分割模型存在的特征提取能力不足、上采样阶段过于简陋、难以处理全局信息与局部信息,从而造成地震剖面信息损失的现象。本文提出了一种语义分割模型CN-Unet,同时搭建了FCN-8S、Unet、PSPnet、Deep Lab v3+四个主流语义分割模型进行对比。在模型的训练过程中,探讨了不同的损失函数对模型训练过程和训练结果的影响,使用0.3倍CELo ss和0.7倍DiceLo ss组合的混合损失函数能够更好的关注到地震相的局部特征与全局特征。将训练好的模型应用于测试集,结果表明,CN-Unet模型在m IOU和MPA评估指标达到92.06%和96.01%,优于其他主流语义分割模型。