全波形反演(FWI)是一个高度非线性、病态的反演问题,需要适当的正则化处理才能得到可靠的结果。在众多的正则化方法中,Tikhonov正则化(有时称为l2范数正则化)无疑是最流行的一种,它使用光滑(可微)二次约束,但是使用Tikhonov正则化的FWI倾向于产生一种过度光滑的正则化解决方案,另一类正则化方法是基于预先确定的变换域或字典中模型系数稀疏性的l1范数稀疏促进正则化,其中最重要的一个正则化是众所周知的全变分(TV)正则化。TV正则化使解在模型导数域的稀疏性得到增强,从而使反演结果受到不期望的阶梯效应的影响。近年来,基于字典学习的稀疏推广方法被引入到FWI问题中,这些方法比固定变换的l1范数正则化方法在反演质量上有显著提高。因此,本文提出了一种基于自适应字典学习的FWI稀疏促进正则化算法,称为自适应稀疏促进正则化迭代反演策略,简称ASRI-FWI方法,将L-BFGS算法和基于自适应字典学习的l1范数正则化方法相结合,重建了平滑的背景变化和清晰的地球物理模型参数界面。本文的主要研究内容如下。首先,从全波形反演的正演模拟出发,通过构建有限差分法对波动方程进行求解,并且介绍了正演模拟的必要条件震源函数及边界条件,给出相应的求解方法。其次,在波形反演背景下,将字典学习引入FWI过程中,其中字典是从之前的L-BFGS迭代得到的最优速度模型中获取的大量区块中学习的。最后介绍了本文提出的算法,重点介绍了算法中的两个关键步骤:L-BFGS算法的优化问题和字典学习方法,并对其他步骤也进行了具体说明,在光滑的Marmousi模型、BG模型和SEG/EAGE盐丘模型上测试了本文提出的方法,实验结果表明,本文提出的方法比传统的TV正则化方法具有更好的性能。