盐丘识别和地震相划分对油气勘探都有着重要的意义。盐丘是一种重要的储油构造,内核储存有大量的石油。地震相的划分有助于更好地分析地质地层结构,提高油气的勘探可靠性。传统方法中地质体的研究利用地震属性和研究人员的理论知识和经验。这种方法效率低且精度不高。随着深度学习的发展,神经网络自学习、自适应的特点,有力地促进了地质体的研究,提高了油气勘探的速度和质量。由于地质体数据采集噪声多、对反射等较为敏感,同时神经网络对于数据标签要求较为严格,直接应用深度学习模型难以获得很好的效果。针对这些问题,本文对盐丘的识别和地震相的划分进行了研究,主要工作有:(1)基于弱监督学习的盐丘识别与分割针对地震数据缺乏标签问题,本文设计了一套适用包围盒方式标注的弱监督学习的盐丘识别与分割流程。该算法流程包括预处理—模型训练—后处理三个阶段。通过预处理的计算增强了盐丘数据的监督信息,模型递归训练方式减小了和全监督学习性能差异上的距离,后处理对模型预测结果严格把关。整个流程模型自学习盐丘特征,识别盐丘轮廓和形状,无需人工干预。算法在kaggle平台TGS Salt Identification Challenge比赛提供的数据集上验证了这套流程的有效性,结果可以达到全监督下的92.57%。(2)基于改进的Unet模型地震相识别与划分针对Unet模型在跨层连接问题上对浅层和深层连接导致中间网络层被旁路问题,本文提出了一种基于改进的Unet模型的地震相划分方法。在原始Unet模型基础上针对地震数据进行了结构和参数上的调整,使网络模型可以更细致地提取地震相特征。增加的跨层连接扩大了网络中神经元感受野,解决了Unet模型对细粒度特征不敏感问题。该算法在北海荷兰数据集F3上进行了可行性验证,模型性能有很大的提升,地震相分类准确率也得到了提高。