随着油气勘探开发程度的不断提高,地震勘探的对象正在从构造油气藏逐步转向岩性油气藏,因此需要依靠高信噪比、高分辨率和高保真度的地震数据来刻画地下含油气藏构造的精细结构。日益复杂的勘探环境常常使得所采集到的地震数据是不完整或不规则的,并被各种随机噪声污染,而数据中的噪声和数据的不完整性会影响后续数据处理的保真度、分辨率和信噪比,进而降低最终资料解释的可靠性,因此需要对地震数据进行噪声压制或重建。而常规地震数据重建方法受Nyquist采样定理的限制,往往要求数据有较高的采样率,使得数据采集成本较高;另一方面,常规去噪和重建方法通常比较依赖于地震数据的先验信息。近几年中,新兴起的深度学习在众多领域中取得非常好的表现。这种方法旨在首先让模型学习数据在不同深度的特征,然后利用训练好的模型对未知的数据进行预测。本文从地震数据去噪和重建的数学问题出发,以深度学习为理论基础,探索了统一应用于地震数据去噪和重建的数学模型。本文首先针对数值数据建立了一种简单而有效的数据预处理方法,使得神经网络取得了较好的训练和测试效果。在地震数据去噪中,首先构建了一个深度卷积神经网络,然后将含噪声数据与其对应的噪声的patch对建立了训练数据,最后通过监督学习策略让神经网络学会预测数据中的噪声。在此基础上建立了统一用于预测二维和三维地震数据中不同水平噪声的模型或数学框架,实现了不依靠数据的先验信息便可将不同水平的噪声从数据中较好地分离并且不产生新的噪声。在二维地震数据重建中,首先构建了一个深度卷积神经网络,然后将随机采样50%与其对应的完整数据的patch对作为该神经网络的训练数据,经过训练后的网络实现了对采样50%和远低于50%的规则和不规则采样二维地震数据进行高精度地重建。在此基础上,建立了统一用于二维和三维地震数据重建以及同时去噪和重建的模型,实现了不需要数据先验信息和预插值等处理便可对采样不满足Nyquist定理的规则和不规则采样二维地震数据重建以及三维地震数据同时去噪和重建。在三维地震数据去噪和重建中,提出将三维地震数据处理问题拆解为对每一个二维地震剖面的处理策略,并利用上述的预测不同水平噪声的模型有效地压制了三维地震数据中的噪声。将含噪声的随机采样50%与其对应的完整数据的patch对作为训练数据重新训练上述二维地震数据重建的模型,实现了规则和不规则采样的三维地震数据的同时去噪和重建。这种针对三维地震数据的处理策略在保证结果质量的同时还大大提高了三维地震数据的处理效率以及已训练好的神经网络的利用率。数值试验结果验证了本文基于深度学习的地震数据去噪和重建方法的有效性,深度学习将为高信噪比、高分辨率和高保真度要求的地震数据去噪和重建工作提供一种新的思路,同时也将为地震数据采集实现高效率和低成本提供一种新的方案。