高质量的地震资料是我们获知地质构造的一个重要参考信息,但实际采集到的地震数据中,杂乱无章的随机噪声常常与地震波交错混叠,这极大的限制了有效地质信息的提取,因此降噪这一环节尤为重要和关键。地震数据的降噪处理可以从众多不同的角度入手,本文选择了同时对地震数据降噪和重建、分类识别地震子波两个研究方向。为完成对地震数据同时降噪和重建这一研究工作,首先,将模拟地震记录组成数据集,训练得到了噪声级别不同的卷积神经网络降噪器;然后将降噪器与凸集投影框架相结合,进行多次迭代训练;最后,通过对比分析模拟和实际地震记录的纯净数据、欠采样数据、经过基于f-x的POCS算法、基于curvelet的POCS算法以及CNN-POCS方法处理后的结果图,得出结论:CNN-POCS方法具有可行性和实际应用价值,能够在去除噪声的同时,更好地完成地震数据重建。为完成对地震子波分类识别这一研究任务,搭建设计了一个深度卷积神经网络模型。首先,对数据进行预处理:将含噪地震子波序列分段以获取完整的子波、给不同种类的地震子波进行标记、往地震信号上叠加多种不同的噪声以获取数据集;然后,通过训练卷积神经网络以获取地震数据特征;最后,利用已经训练好的CNN网络进行地震子波的分类识别工作。实验结果显示,该方法取得了较高的分类率,并且实现了低信噪比下的高准确率识别。