在地震数据处理领域,地震资料的去噪质量直接影响到后续处理工作的有效性和可靠性,并且随着地震勘探的发展越来越偏向于复杂油气藏,干净的地震资料难以获得,因此对于地震资料的去噪应用是地震数据处理领域中一项重要的持续研究内容。基于地震数据与图像、语音信号的相似性,本文将在图像、语音信号领域快速发展的字典学习方法应用于地震资料去噪。字典学习方法是一种基于特征学习的稀疏表示算法,首先信号是地震资料中具有结构特征的有用信息,而一般地,噪声是随机的无结构的,不能进行稀疏表示。字典学习方法对地震资料进行训练学习,得到与该地震资料中信号所匹配的数据结构,再根据数据结构之间的重组获得地震信号的优良稀疏表示,稀疏表示过程进行了信号与噪声的分离。由于常规的字典学习方法计算复杂度过大,难以处理较大的地震资料,因此本文将能轻易处理较大数据集的在线字典学习方法引入地震数据处理中。在线字典学习方法使用了将待处理数据切块的思想,同时字典更新方式为逐列更新,因此大幅降低了计算的复杂度。在实际应用中发现:如果地震资料中含有能量较强且规则的噪声,会导致噪声的结构特征也被学习进字典,得到的字典品相较差。针对该问题,本文使用EMD方法对训练集进行优化,得到牺牲少量结构特征,但是不含强相干噪声与随机噪声的训练集,再根据此训练集学习得到优质的字典。改进后的在线字典学习方法对含较强相干噪声的地震资料,也能有效进行去噪处理。论文研究分为以下几个方面:本文首先,对基于固定基函数的传统稀疏表示方法中应用广泛的小波变换、Curvelet变换进行了内容展开,使用这两种方法进行了地震合成记录与实际地震数据的去噪实验,对比了去噪效果;第二,对基于稀疏表示的字典学习方法进行了研究,总结了MOD,K-SVD两种字典更新算法,与MP、OMP与LARS三种稀疏重构算法,使用更为先进的K-SVD字典搭配计算效率更高的OMP算法,进行了实际地震资料的去噪实验,发现了字典学习方法在强相干噪声下去噪能力不足的缺陷;第三,针对字典学习方法无法处理大量地震资料的问题,将在线字典学习方法应用于地震资料去噪;第四,对于在线字典学习方法在实际地震资料去噪应用中,无法去除强能量相干噪声的不足,使用EMD方法优化训练集,改进后的在线字典学习方法能够有效去除不同类型的噪声;第五,使用不同工区的地震资料作为训练集得到字典,进行去噪实验,得出结论:训练集和待处理数据可以不是同一资料,训练集只要含有待处理数据的结构特征,并且干净,就能有效进行去噪处理。根据该结论,对于地震资料去噪的智能化处理模型做出展望;最后,通过对地震合成记录,与含不同类型、不同强度的噪声的实际地震资料的去噪处理结果,得到了本文中多种去噪方法的效果评估,得出结论:本文改进后的在线字典学习方法在实际地震数据的处理中,相比于基于固定基函数的方法,能够更有效去除随机噪声;相比于单独的字典学习方法,能有效去除强能量相干噪声;并且打破了字典学习方法的训练集大小的限制,能够处理实际生产中的地震资料,学习到更多的地震信号特征,让地震信号获得更优秀的稀疏表示。