地震勘探中,地震资料解释是构造解释、储层预测及有利勘探目标评价的一个十分关键的部分,解释的好坏直接影响着油气开采工作的开展,而断层解释则是整个地震资料解释过程中的核心。传统断层解释通常是基于断层在地震数据中的不同表现形式来识别的,然而这样的解释办法存在流程繁琐、耗时久、误差较大以及严重依赖个人解释经验等缺点,缺乏一定的客观性,因此如何高效、准确的断层解释成为了地震解释人员十分关心的问题。基于人工断层解释出现的诸多问题,国内外的专家学者及研究人员提出了许多检测断层的属性,如相干体属性、方差体属性、蚂蚁体属性、曲率属性等等,他们均可以凸显地震数据中隐含的断层信息,进而减少断层解释的不确定性。近几年神经网络在图像领域大展身手,而地震数据拥有和图像类似的数据结构,因此可以借鉴神经网络在图像上的成功运用,将其应用到断层识别中来,这使得其成为了一个新的研究方向。本文首先构建了一个传统的卷积网络结构,随后从数据出发,阐述了获取训练数据的两种方式:人工解释实际地震数据以及制作包含不同类型断层的合成地震记录。为了进一步增加训练数据的多样性提高模型的泛化能力,进行了数据增强。受地震数据幅值等影响,模型训练过程中梯度难以有效传递,网络很难收敛到最优解,因此对地震数据进行归一化处理。随后对一些模型参数进行了对比讨论,确定了一组最优参数。最后在合成地震记录中进行模型测试,验证了卷积神经网络识别地震数据中的断层是可行的。然而传统卷积网络存在重复计算、效率底下、精度也不高等缺点,因此本文又提出了一种基于U-NET的端到端的全卷积网络来识别断层,通过实际资料测试表明,该网络结构无论是计算效率还是准确度等方面,同传统的网路结构相比都有一定程度的提升,实现了较为高效准确的断层识别。