目前我国油气田勘探开发向高纵深、复杂区块延伸,地层响应微弱、影响因素多。受复杂地质条件与采集技术的影响,地震数据不可避免的会引入随机噪声,严重降低了数据的信噪比,影响后续地质结构和岩性特征描述的精细程度。因此研究高精度的随机噪声压制方法是亟待解决的关键问题。深度学习技术以其较强的深层特征提取与非线性逼近能力,在地震数据处理领域倍受关注。然而现有基于深度学习的随机噪声压制方法通常仅关注时域的特征提取,并以充分的样本覆盖为假定条件来设计去噪模型,容易导致地震数据特征信息提取不充分,去噪后纹理模糊,模型鲁棒性较差等问题。本文针对相关问题,以深度学习技术为基础,阐述当前地震数据去噪方法的进展与存在问题,分析去噪方法的基本思想,研究地震样本集的构建方法,提出联合多维度特征约束学习和鲁棒深度学习去噪模型,以提高地震数据去噪的精度与泛化能力,主要研究内容如下:（1）研究地震数据集的构建方法,根据地震数据的特点,分析地震数据的采集过程与格式解析方法,研究合成数据和实际地震数据的样本组织方式,构建用于实验分析的地震数据集。（2）针对地震数据特征提取不充分、去噪后纹理模糊的问题,分析地震数据时、频域特点,联合多维度特征信息,设计联合损失函数和扩充卷积,结合残差学习算法,提出一种基于联合深度学习的地震数据随机噪声压制算法。实验表明,与同类算法相比,该算法具有更好的同相轴纹理保持效果和较高的信噪比。（3）针对地震数据样本不完全覆盖情况下,去噪模型鲁棒性较差的问题,研究提高模型泛化能力的方法,分析噪声强度与去噪的关系,综合地震数据的全局与局部信息,设计两阶段网络,结合L1范数、特征融合、残差学习等算法,提出一种基于深度学习的鲁棒地震数据去噪算法。实验表明,与同类算法相比,该算法具有更高的泛化能力。本文以深度学习技术为基础,分析目前基于深度学习的地震数据去噪算法存在的问题和基本思想,研究地震样本集的构建方法,设计联合多维度特征约束学习与鲁棒学习去噪模型,有效地增强地震资料的信噪比和保真度,为后续地质结构的描述工作提供保障。