近地表地下空间在人类发展中具有重要作用。瑞雷波是一种获取地下地层结构信息的重要技术手段,近年来受到广泛关注。瑞雷波近地表速度结构调查主要通过反演瑞雷波频散曲线获取地层速度结构,具有分辨率高、速度快等优势。但是该技术在应用过程中存在人工频散曲线提取耗时和非线性反演影响因素多等问题,如果能利用当前新发展的人工智能技术,尤其是深度学习等技术实现瑞雷波勘探技术的智能化改造,无疑能够推动该技术的进一步发展,具有重要现实意义。瑞雷波勘探技术主要分为频散曲线反演和频散曲线提取两个步骤。实现准确频散曲线反演和提取,获取可靠学习样本,是该技术智能化改造重要前提。但是频散曲线反演存在反演多解性和稳定性问题;频散曲线的获取存在手工拾取效率较低且受主观因素影响,耗时费力,不适合大量数据的操作等问题。论文针对以上两个方面都进行了研究,为深度学习提供良好、准确的训练数据,在此基础上实现深度学习面波频散曲线的反演方法,本文的主要工作内容和贡献为:(1)基于模拟退火算法,提出了一种新的基于差分进化模拟退火频散曲线反演方法。新方法利用块坐标下降思想,将多参数高维的面波反演问题转化为多个单参数低维反问题,提高了面波反演结果的准确度。同时算法引入差分进化算法,将模拟退火的终止条件温度替换为误差,实现了模拟退火对反演误差的直接控制,从而提高了反演的稳定性。(2)针对手动拾取频散曲线的耗时费力问题,本文发展了基于Unet网络的瑞雷波基阶频散曲线自动拾取技术。该方法可以从信噪比较好的频散曲线能量图中精确的提取频散曲线。对噪声干扰较强的频散曲线,本文采用多次Unet分割方案,有效的抑制了噪声的干扰,提高了分割结果的准确性。(3)基于长短时记忆网络实现了瑞雷波频散曲线智能化反演方法。利用上文新算法反演的精确结果和Unet网络提取的频散曲线作为长短时记忆网络的训练样本,实现高频瑞雷波的快速智能化反演模型训练。通过与Unet网络结合可实现对瑞雷波的快速反演,该算法无需多次人工拾取频散曲线,无需多次进行非线性反演目标函数迭代,因而有望跳出多解性误区,避免人为干扰,提升方法实用性。通过以上方法的研究与应用,本文希望为瑞雷波智能化反演关键技术发展提供帮助,有力的促进瑞雷波勘探技术的发展。