激发极化电法勘探(激电法)是一种针对地质体导电性和激电性差异进行探测的地球物理分支方法。近年来国内外先后研发了分布式全波形电法勘探仪器设备,激电数据采集效率得到迅速发展,但相应的数据处理解释方法依然有所滞后。本文的研究目的是针对分布式激电勘探产生的大规模数据,建立一套初步智能化的信噪分离与反演成像方法,提高激电勘探的数据质量和应用效果。为了提高分布式激电抗干扰数据处理的精度和效率,本文提出了基于降噪方法库与统计决策的抗干扰技术。首先实现了三维介质的激电全波形响应正演模拟,通过分析生成的激电全波形理论信号与不同类型噪声干扰特征,提取最能表征时间序列类型的八个时/频域统计分量。继而模拟生成激电信号库与噪声库,通过支持向量机(SVM)分类算法实现机器对时间序列中不同噪声干扰的判断识别。然后,通过学习总结信号处理领域的相关知识,优选并改进五种有针对性的信号处理技术,包括:经验模态分解、波形匹配、稳健估计、主成分分析和小波分析等,并集成为一个降噪方法库,供决策系统自动选择相应的信号处理技术,实现干扰压制。上述方法是一种基于统计分析与信号处理知识驱动的自动化抗干扰算法。为了克服激电反演成像中常规拟线性最优化算法依赖初始模型、分辨率不足等问题,本文对两种机器学习算法进行改进,提出了样本压缩神经网络算法和自适应聚类分析算法,分别应用于激电勘探数据反演和边界识别。首先通过随机介质模型理论生成电性介质模型样本,通过分布式计算正演产生理论响应,然后用理论模型和响应数据训练神经网络模型,对新数据进行预测。为降低数据冗余性,本文将数据压缩技术与人工神经网络相结合,降低输入输出样本维度,提高神经网络反演的速度与精度。为了进一步根据反演结果划分异常体的边界,本文对聚类分析进行改进,根据原始数据的分布特征和稳健统计,实现聚类数目的自动确定,进而对反演结果进行属性聚类、边界拾取和异常中心定位。上述方法进一步提高了激电反演成像的精度和自动化水平。最后,将本文提出的方法应用于我国西南某铅锌多金属矿区的实测激电数据,获得了超过5000个测点上的高品质激电数据。分析了不同电极极距与不同观测频率下的抗干扰效果,对误差进行了统计;并将抗干扰处理前后的电性扫面和测深数据进行了对比。同时采用新的反演成像算法,根据实测的全波形数据分别进行了平面激电参数反演、二维电测深反演、三维多剖面反演等处理,并对反演结果进行边界拾取和属性聚类。数据处理结果反映出了测区地下介质电阻率极化率的异常特征,结合测区地质资料推断了成矿有利区,算法效果得到验证。综上,为了提高分布式全波形激电勘探的数据质量和应用效果,本文开展了两种综合算法研究,包括:基于降噪方法库与统计决策的干扰压制算法,基于样本压缩神经网络和自适应聚类的反演成像算法。模拟和实测数据的测试表明,新算法可有效提高激电数据质量并增强观测数据对地下异常体的反映能力,同时提高数据处理解释的精度与自动化水平。本文的框架和算法可进一步迁移到其他人工源电磁勘探方法中,目前相关研究已经开展。