由于自然环境和经济条件的限制,野外采集到的地震数据经常含有一定的缺失。缺失数据的出现将严重影响后续资料的处理以及最终的资料解释。地震数据插值即是对地震数据中缺失数据进行重建的过程,是地震数据处理中的重要环节。传统地震数据插值技术一般基于某种假设进行,如假设数据满足线性性或稀疏性等。深度学习是近年来应用广泛的计算机技术,它从数据本身出发,通过构建深层网络模型,运用反向传播算法学习和提取数据的特征,最后应用于数据预测。本文基于深度学习中生成对抗网络,通过对损失函数和模型结构的适当改进,实现了基于生成对抗网络的地震数据插值,提高了插值的智能化水平。首先运用Wasserstein距离与插值误差之和作为损失函数,引入了基于Wasserstein生成对抗网络的地震数据插值算法。通过大量模拟地震数据和实际地震数据检验了算法对不同采样形式下地震数据的插值效果。其中对于随机采样数据,算法能大致拟合数据分布,但连续缺失区域数据重建误差较大,部分假频未能完全去除。规则采样时,算法在数据的拟合程度和假频的去除方面都表现出优越的性能,但在数据边界处重建误差较大,产生有一定的虚假边界。最后通过在模型中引入条件机制,对模型结构进行了改进,引入基于条件Wasserstein生成对抗网络的地震数据插值算法。改进后的算法有效地提升模型的插值效果,减小了插值结果的误差,并在一定程度上抑制了虚假边界的产生。两种算法在处理实际地震数据插值问题时都具有良好的应用价值。