在地震勘探领域中,复杂的近地表结构给地震数据处理、地下结构反演等带来了很大挑战。近地表一般有一层覆盖在折射层上的低速风化层,在地质结构复杂的地区可能存在剧烈的横向变化。同时,实际生产中获取的观测数据通常信噪比比较低,有很强的随机噪音和各种相干噪音,还存在坏道和缺失数据问题。这些都对我们的后续数据处理工作带来很大困难。如果不能消除近地表构造和噪音的影响,我们将不能得到质量和保真度高的数据,既而影响后续的速度分析、叠加和偏移等的结果,最终给地质解释人员的工作带来误导和困难。剩余静校正能够消除近地表小构造的速度异常等因素对于反射波到时的影响,提高叠加剖面的质量。传统的剩余静校正方法通常基于反射波,但是在低信噪比的实际数据中,反射波剩余静校正往往无法得出稳定准确的结果。在风化层中,折射波与反射波路径基本相同,剩余静校正值对二者到时的影响也基本一致,因此可以采用折射波走时计算剩余静校正值,提高反射波叠加剖面的质量。我们利用折射波干涉的方法,通过叠加构建高信噪比的虚拟折射波记录。通过拾取虚拟纪录的能量最大值,获取比较准确的相邻道折射波到时差,然后利用折射波正反传路径构建线性方程组求解剩余静校正值。这种算法不需要人工拾取地震记录的初至,大大减少了工作量。我们分别测试了方法在合成数据和实际数据中的效果,验证了该方法的有效性和鲁棒性。传统的去噪方法通常基于噪声水平估计,需要人工选取数据和调参。实际数据中噪音水平往往分布不均,且噪音频带范围与信号相似,使用传统的去噪方法难以有效压制噪音。我们将深度学习的方法应用于地震数据去噪,实现了自适应的噪音压制。相对于传统的小波和曲波方法,深度学习的方法能够更加彻底的去除噪声,且保留更多有效信号细节信息。我们使用合成数据和实际数据验证了方法的有效性。近年来多种深度神经网络结构被提出,例如空洞卷积网络,ResNet,编解码网络等。这些网络模型分别具有不同方面的优势,我们对比了这些模型对于地震数据去噪问题的应用效果。空洞卷积网络能够扩大感知野,但是会在网络正传时丢失细节信息。而编解码网络能够利用跳跃连接补偿学习的细节信息。ResNet通过残差单元的学习,能够改善神经网络的梯度弥散问题,但是在中等层深时没有明显优势。DnCnn网络中的残差学习策略,则有效提高了中等深度网络的训练效果。我们在几种现有模型的基础上,构建了集合了几种网络优势的新的去噪模型。合成数据测试表明,本文提出的网络结构能够提高模型的去噪能力和去噪结果保真度,并且提高训练效率。在神经网络去噪的基础上,我们采取一种交替迭代最优化策略,对于含噪音且不规则缺失的地震记录同时进行去噪和插值。我们将数据恢复问题的目标函数拆分为两个最优化子问题,并分别使用最小二乘法和神经网络训练的去噪模型进行交替迭代求解。这种方法只需要进行去噪模型的训练,节省了大量的训练和数据处理的时间,并且能够对于噪声分布不均的数据实现自适应的去噪和插值。我们使用合成数据和实际数据验证了方法的有效性。