如今伴随地球物理勘探开发技术的蓬勃发展,波形分类技术作为地下构造解释和储层预测的重要手段已引起了处理解释人员的广泛关注。同时,中国油气复杂的工程地质环境也对勘探精度提出了更高的要求。不同于叠后地震数据,叠前地震数据量级大维度高,其包含的地下地层结构信息也更加丰富。使用传统的处理方法,极易引起维度灾难,导致分类结果不准确等问题。另外,由于工区的地震资料非常稀少且勘探采集过程中不可避免地会产生误差等随机干扰,造成实际的处理结果不具有唯一性。针对上述问题,本文结合深度学习算法提出基于卷积神经网络的叠前地震数据无监督聚类方法,主要从叠前地震数据预处理、数据降维、特征选取及模式识别这四个方面展开研究:（1）随着人工智能的不断深入,卷积神经网络在图像分析处理和目标检测等领域取得了许多突破性进展,本文引入卷积神经网络,依靠其强大的特征压缩、抽取能力对叠前地震数据降维并提取其深层特征。由于卷积神经网络中各节点间权值共享,所以参数数量大大减少提高了运算效率,适用于处理叠前地震数据。（2）目前可以从叠前地震数据中提取、组合的地震属性参数越来越多,通过对多属性叠前地震数据的深层特征进行凝聚层次聚类分析,能够在一定程度上降低地震解释的多解性。（3）本文通过对地震物理模型中砂体展布的识别验证了算法的可行性,并在实际工区中应用。相比基于PCA的无监督聚类方法,其对岩性边界刻画清晰,分类结果更加准确。本文最后对深度卷积自编码器中的超参数设置及特征图筛选原则进行了经验性总结。