地震勘探是分析地层结构、油气能源以及矿产资源不可或缺的手段之一。然而在采集过程中,地震信号不可避免地被大量随机噪声污染,降低地震成像质量,进而影响后续分析。近年来,基于卷积神经网络（Convolutional Neural Network,CNN）的地震信号去噪算法已经成为研究热点。针对现有的基于卷积神经网络的地震信号去噪算法在特征提取方面的局限性以及依赖于同一尺度特征信息等问题,研究并提出了三种基于卷积神经网络的地震信号去噪算法。主要研究内容如下:（1）基于全局上下文和注意力机制深度卷积神经网络的地震信号去噪研究在地震信号处理中,随机噪声的衰减是提高地震信号信噪比的关键。由于目前的卷积神经网络大多只关注局部特征,在特征提取方面存在局限性。为此,提出一种基于全局上下文和注意力机制的深度卷积神经网络（Global Context and Attention-based Deep Convolutional Neural Network,GC-ADNet）,并以残差学习衰减地震信号的随机噪声。首先,全局上下文模块（Global Context Block,GCBlock）既关注局部信息,又能提取全局上下文信息;同时注意力模块（Attention Block）不仅强调地震信号的关键特征,还能高效提取隐藏在复杂背景中的噪声信息。之后,加入残差学习和批规范化方法加快网络的训练和收敛速度,并使用扩张卷积扩大上下文信息并降低计算成本。将GC-ADNet应用于人工合成地震信号和实际海上地震信号,并且与BM3D（Block-matching and 3D filtering）、WNNM（Weighted Nuclear Norm Minimization）和Dn CNN（De-noising Convolutional Neural Network）等去噪方法比较。实验采用峰值信噪比（PSNR）和结构相似性（SSIM）等评价指标,结果表明GC-ADNet能够更有效压制随机噪声,保留有效地震信号。（2）基于金字塔注意力残差神经网络的地震信号去噪研究目前基于卷积神经网络的地震信号去噪方法大都依赖于同一尺度上的特征信息,无法充分利用地震信号的自相似性。为解决这一问题,提出一种基于金字塔注意力的残差神经网络（Pyramid Attention Residual Neural Network,PARNet）用于地震信号去噪。具体地,将残差块（Residual Block,Res Block）、带有多核卷积层的并行空间和通道注意的残差块（Spatial and Channel-wise Attention Residual Block with Multi-kernel Convolution Layer,MSCARB）以及金字塔模块（Pyramid Module）结合构成了PARNet的主要框架。其中,MSCARB不仅能够提取更丰富的特征,并且关注通道和空间维度的特征,以实现更强的特征表示;金字塔模块利用不同扩张率的扩张卷积捕获多尺度特征、全局上下文模块捕获全局信息,两者的结合可以捕获多尺度全局上下文特征。通过合成地震信号和实际海上地震信号对该方法进行验证。实验采用PSNR和SSIM作为评价指标,大量实验证明PARNet具有高效的去噪能力,与其它对比去噪方法相比具有竞争优势。（3）基于多级小波残差神经网络的地震信号去噪普通卷积网络通常以计算成本为代价扩大感受野。近来,采用扩张卷积解决该问题,但可能造成网格效应。为在感受野大小和计算成本之间取得更好的平衡并保留更详细的地震信号纹理,提出多级小波残差卷积神经网络（Multi-level Wavelet Residual Convolution Neural Network,MW-ORCANet）。其核心思想是将小波变换（Discrete Wavelet Transform,DWT）嵌入改进的CNN架构中,以降低特征图的分辨率并增大感受野,之后利用逆小波变换（Inverse Wavelet Transform,IWT）重建高分辨率特征图。此外,综合利用MSE和SSIM的联合损失函数增强地震信号去噪后纹理细节的清晰度。实验仍然采用PSNR和SSIM作为评价指标,人工和地震信号和实际地震信号去噪结果表明,与现有去噪方法对比,MW-ORCANet算法能够有效压制随机噪声、保持地震信号纹理的清晰度。