在地质勘探过程中,初至波是指布置在地表或者地下的检波器最开始接收到的地震波。初至波应用广泛,在石油地震勘探中,人工激发地震波的初至可以为后续的层析反演、静校正、VSP解释等工作提供重要的数据支撑。而在矿山监测、微地震压裂中,微地震波的初至是后续震源定位、高精度断层面识别等工作开展的必要条件。本文针对这两种类型的地震波初至进行了研究。在拾取人工激发地震波的初至时,由于地质勘探工作逐渐由平原转向沙漠、高原等较为复杂的环境,采集的数据量也从之前TB级激增至PB级。在处理这些低信噪比的数据时,现有的自动拾取算法不能精准拾取初至位置,常常需要人为干预。本文为了提高初至拾取的准确性,提出了改进的基于深度学习的初至波拾取方法。在数据预处理方面,通过线性校正等步骤将原始地震数据中所有地震道的初至校正到一个合理范围,减少了网络的输入数据量。样本标注时,本文采取了与以往方法不同的标注方式,将初至分为初至到来之前和初至到来之后（包含起跳点）两类,提高了图像分割的稳定性。通过比较拾取正确率和IoU评估指标,选出最佳的网络模型。接着,在网络初步拾取的基础上,通过比较分割点附近采样点的振幅大小,完成初至点的最终定位。最后,本文将该方法与商用软件Omega和国内某研究院自动拾取软件进行测试对比,分别对同一低信噪比数据进行自动初至拾取和静校正叠加,结果表明本文提出的方法拾取初至更准确,能有效提高叠加剖面质量。微地震与人工地震的不同之处在于,微地震数据中地震道数较少,采集时间很长,震源的位置和发生时间都是未知的,微震事件维持时长的不确定,并且常常受到采矿活动中的噪声、爆破等干扰,数据信噪比更低。在地震记录图中,微地震波的初至在到来之前和到来之后并没有明显的变化。因此,需要采用两步法来进行微震初至拾取,并将每一步都与深度学习网络相结合。首先,需要对微震数据进行预处理滤波,利用深度学习网络将微震事件从原始的微震数据中识别出,接着在此基础上结合深度学习网络进行微震初至大致拾取,最后再进行初至点的最终确定。测试结果表明,本文提出的方法可以自动发现微震事件,并从事件中精准拾取初至波。