地球物理勘探在地球科学领域中一直以海量数据、超大计算能力著称,这也为人工智能在此领域的长足发展提供了前提条件,近些年来人工智能在地震资料处理与解释等方面都取得了长足的发展,极大地提高资料处理和解释的效率以及资料解释的精度。本文从机器学习与断层识别和溶洞识别两个方面进行了研究,旨在解决现阶段断层与溶洞识别人工成本高、计算量大的问题,最终促进人工智能在地震探勘领域的长足发展。地震资料解释在油气勘探与开发中起着十分重要的作用,断层解释是其中的重点及难点。随着人工智能技术的发展,断层自动快速识别成为地球物理领域研究的热点。本文提出了一种结合U-Net和残差模块Res-50的网络结构,通过残差模块计算方式的引入以及合理利用1×1×1卷积核来进行特征图像通道数的处理,有效地提高了网络的运算效率以及学习能力,能够快速准确地进行断层的识别。首先,通过利用合成数据集的训练以及测试,验证了建立的网络在训练效率方面存在的计算效率优势。然后,通过设置合适的网络输入、数据的扩充和重叠边界加权叠加处理,解决了实际数据体不规则情况下断层检测问题。最后,在三块三维数据体上的测试应用均取得较好的断层检测结果。与人工断层解释对比,利用深度学习方法得到的实际数据断层检测结果准确性和连续性均较好,成功地预测了断层。针对现阶段塔里木盆地缝洞体缺乏具有指导意义的样本标签的现状,且缝洞体地震记录上的展示与其在地下的真实形态差别较大,提出了一种新的制作样本标签数据集的过程,即基于物理模型来构造样本标签的方法,准确地给出了缝洞体标签与其对应地震数据的关系,其中还包含了地震属性的应用,结合物理模型数据特性,多角度进行研究。使用物理模型制作样本标签数据集集合了实际地震数据与合成地震数据的优势,既能在很大程度上还原溶洞在地下真实的反射情况,又能够根据物理模型制作手册准确地获得溶洞的真实形状与大小。通过本文提出的神经网络进行训练。最后,通过塔里木盆地区域实际数据的测试表明,利用深度学习方法得到的实际数据溶洞检测结果准确性较高,成功地预测了溶洞。