由于地震资料采集时易受不同环境因素的影响,资料中往往存在许多随机噪声的干扰,导致地震剖面的分辨率和信噪比降低。而资料品质的高低直接影响地质解释的准确性,品质越好越能准确地揭示地下地质的真实情况。在数据资料处理中,为了提升品质,随机噪声去除是一个不可忽视的环节。本文针对地震信号中随机噪声的去除做了大量细致的研究工作,以寻求一种更加高效实用的去噪方法。首先,本文研究了经验模态分解（EMD）的基本理论,性质以及算法本身的几个不足。针对EMD不足,发展起来两种算法,其一是总体经验模态分解（EEMD）,一定程度上改善了EMD的问题,但分解后的IMF难以准确保持EMD对IMF的定义、完备性也不好。其二是完备总体经验模态分解（CEEMD）,其算法对信号做模态分解,结果确实优于EMD和EEMD,但仍然存在问题,分解得到的第二个模态在整个时间段内任意时刻的值总是趋近于零,同时高斯白噪声的加入,分解的模态中多多少少会有噪声的干扰。为了解决上述问题,通过借鉴互补集合经验模态分解,对CEEMD进行改进。利用EMD、EEMD、改进前后的CEEMD对理论合成信号进行分解结果对比,改进后的CEEMD分解最优,误差最小,计算效率最高,具有很好的应用前景。然后,本文将稀疏表示理论进行简单的阐述,主要包括稀疏表示的数学模型、构造字典的发展状况、以及常用的稀疏分解算法。重点介绍了学习型字典（KSVD字典）和基于KSVD字典稀疏去噪方法。由于利用KSVD算法求取字典时,存在训练时间花费太长的问题,所以引出了双稀疏KSVD字典算法。此方法训练得到的双稀疏型学习字典不仅能准确刻画信号特点,同时比KSVD字典学习算法计算速度更快。通过对人工合成地震记录数据去噪对比,证明了双稀疏KSVD字典去噪方法在信号随机噪声去除方面效果相对较好。最后,本文对CEEMD分频去噪和KSVD稀疏分解去噪两种方法在信号去噪方面的优缺点进行仔细研究分析。基于二者的优点,将改进后的CEEMD和双稀疏KSVD字典去噪方法有机的融合,提出了基于CEEMD模态分解的KSVD稀疏去噪方法。将其应用到模型数据和实际数据中,去噪效果确实很好,提高了信噪比,极大提升了地震资料品质,同时将其应用到低序级断层识别中也取得了很好的实用效果。