地震勘探利用地震反射信号查明地下地质构造和岩性,将地震勘探采集得到的三维地震数据看作三维地震图像进行处理、解释和分析是寻找地下油气藏常用的手段之一。地下地质异常体(如断层、溶洞和河道等)通常会带来地震反射信号的异常变化,也就会在三维地震图像上产生异常。识别三维地震图像中的异常体能够给出异常体的空间展布、形态和体积,辅助地球科学家认识地下地质构造并寻找油气闭圈,为油气储层预测、储量计算和井位部署等多项工作提供基础,是图像识别和油气勘探领域共同关注的前沿交叉学科问题。地震图像与自然图像在成像原理上存在显著差异,而且在地震图像的处理过程中需要面临图像分辨率有限、反射特征复杂和不确定性强等挑战,自然图像处理中的诸多理论和方法需要针对三维地震图像的特殊性进行改进,才能有效应用于地震图像中的异常体识别。针对地震图像与自然图像之间存在的差异性,本文从特征提取(即地震属性提取)和分割方法两个角度出发,结合信号处理、图像处理以及深度学习等技术,重点研究了异常体边缘的增强、地震属性的融合和先验信息的引入,提出了一系列的异常体识别方法,在实际应用中取得了明显的提升。论文的研究内容和创新性主要包含以下四个方面:(1)相干体是一种传统的异常体边缘识别手段,针对传统相干体无法清晰地刻画异常体边缘的问题(尤其是边缘的连续性不足),本文提出了一种基于主成分分析(Principal Component Analysis,PCA)的异常体边缘增强方法。首先自动拾取目标层位并沿该层位取出数据体,然后对其进行降维处理,实现冗余信息的压缩,突出横向的不连续性,提升了对异常体边缘的刻画能力。本文还进一步地从理论上分析了该方法与纹理模型回归(Texture Model Regression,TMR)之间的关联,揭示了该方法背后的物理含义。研究表明,基于PCA增强之后的相干体对横向不连续性的识别能力大幅增强,能够更加准确地刻画断层和溶洞的边缘。(2)地下地质异常体在三维地震图像上的分割是异常体识别的重要内容,有利于地下油气储层范围的界定和储量计算,但由于异常体带来的复杂地震波场、地震信号固有的频率缺失和噪声干扰,基于单一地震属性进行三维地震图像的分割难以准确地刻画异常体的空间形态。针对上述问题,本文提出了一种基于地震属性融合的分割方法。首先根据地震属性在异常体上的分布特点,将地震属性划分为两类:基于边缘特征(edge-based)的地震属性和基于区域特征(regionbased)的地震属性。再根据两类地震属性在分割过程中的不同作用,在水平集方法(Level-Set Method,LSM)的框架下提出了一种边缘与区域相结合的分割模型。该方法在分割模型中基于每类地震属性的特点采用了不同的方式进行建模,突出了每类地震属性当中最有效的信息。研究表明,相比于基于单一地震属性的分割方法,该方法能够更加准确地刻画异常体的空间形态。(3)受大地滤波作用和环境噪声等因素的影响,三维地震图像对异常体的刻画存在大量的不确定性,常常导致分割过程中出现不连续的分割结果,影响了异常体形态的完整性。针对上述问题,本文从异常体内部常常存在连通性这一先验信息出发,在分割过程引入了连通性的约束;同时通过构建最短路径树,将连通性约束转化为树形图上的线性约束条件,最后在该树形图上求解分割模型的最优解以得到异常体的识别结果。针对连通性约束容易受到噪声干扰的问题,本文又进一步提出了一种基于边缘特征的剪枝方法。研究表明,连通性约束的引入能够充分利用异常体自身的形态特征,更加准确地刻画异常体的空间形态,同时剪枝算法的提出进一步完善了连通性约束的分割方法。(4)传统的异常体识别方法依赖于人为设计的地震属性和分割方法,而深度学习技术能够从海量训练样本中自动挖掘更加有效的特征用于异常体识别,大大提升了异常体识别的准确率。但是油气勘探领域中有效的训练样本非常少,这导致深度神经网络在训练过程中容易出现偏差,无法捕捉到数据当中最本质的特征。针对上述问题,本文提出将先验信息引入至深度神经网络中,用于解决有效训练样本不足带来的问题。针对现有深度学习技术缺乏透明度、引入先验信息困难的问题,本文提出从机器学习模型的可解释性出发,借由可解释性进行正则项的定义,从而引入先验信息并进一步提高异常体识别精度。研究表明,基于可解释性引入的先验信息有效提升了异常体识别的准确率以及模型的可解释性,并证实了基于可解释性在深度学习技术中引入先验信息这一方式的可行性。