地震信号处理包括去噪、重建和压缩等重要环节。由于勘探环境恶劣以及勘探成本提高,采集的地震信号常伴随各种噪声和信息缺失现象,会影响地震信号后续处理。另外随着勘探技术提高,采集得到的地震信号数据量增多,使得地震信号传输及存储成本提高。近几年深度学习在机器学习领域有了长足发展,特别是深度学习中自编码网络(Auto Encoder)灵活的端到端编码-解码特点,引起了广大研究者的兴趣。如何将深度学习中Auto Encoder用于地震信号处理尤其是去噪、重建和压缩这三个重要环节是一项崭新研究课题。本文在深度学习Auto Encoder的框架下,对地震信号去噪、重建和压缩实施研究。主要研究内容如下:(1)基于Auto Encoder的含加性噪声地震信号去噪算法为衰减地震信号中的加性噪声,有效提高信噪比,提出一种基于Auto Encoder的含加性噪声地震信号去噪算法。算法核心在于构建一个端对端的具有跳跃连接的深度卷积Auto Encoder网络(简称AE-SC)。在AE-SC输入层中,将含加性噪声地震信号作为网络的输入,输入层先进行卷积操作,再进行Leaky Re LU激活函数处理;AE-SC隐藏层含有9层,前8层隐藏层先进行卷积或反卷积操作,再进行Leaky Re LU激活函数处理之前,需要进行批归一化操作,第九隐藏层只进行反卷积操作;AE-SC输出层输出加性噪声。分别针对高斯白噪声、瑞利噪声和指数噪声三种加性噪声,进行海上地震信号去噪实验,并对比卷积神经网络(CNN)去噪算法、常规波原子变换去噪算法和曲波变换去噪算法。实验结果表明AE-SC能有效去除加性噪声,与CNN相比能够缩短训练时间,提高去噪精度。与常规去噪算法相比AE-SC具有更强的去噪能力,从而验证了AE-SC算法的可行性。(2)结合深度卷积Auto Encoder和生成对抗网络的地震信号重建算法为精确重建地震信号,提出一种结合深度卷积Auto Encoder和生成对抗网络的地震信号重建算法。此算法网络结构包括两部分:由深度卷积Auto Encoder构成的生成对抗网络的生成器(简称自编码生成器)和生成对抗网络的判别器。自编码生成器将输入缺失道地震信号进行重建并且输出生成地震信号。在自编码生成器中引入跳跃连接来加快训练速度和提高重建精度。为使生成对抗网络条件生成,由缺失道地震信号与生成地震信号通道叠加形成伪地震信号,由同一缺失道地震信号与作为生成条件的原始地震信号通道叠加形成真地震信号,判别器用于区分伪地震信号和真地震信号。通过训练,生成地震信号不断学习原始地震信号的数据分布规律,最后致使生成地震信号与原始地震信号一致。在测试阶段,只用自编码生成器作为生成重建地震信号的网络结构。以海上地震信号为样本,通过与波原子变换、曲波变换和小波变换重建算法实验对比,结果表明此算法具备较高重建精度。因此该算法对地震信号重建具有可行性。(3)基于深度卷积Auto Encoder的地震信号压缩算法为缩短地震信号传输时间和减少其存储空间,有效压缩地震信号很有必要。为此提出一种基于深度卷积Auto Encoder的地震信号压缩算法(简称CAE)。CAE的网络结构包括四部分:编码器、编码、量化和解码器。首先将待压缩地震信号作为编码器的输入,编码器由一系列卷积层构建而成,在这些卷积层中引入3个残差块来减少杂波,在众多卷积层之后为量化层,量化层之后是输出层,用于输出编码。解码器的输入为编码,解码器由一系列卷积层和反卷积层构成,并且在这些卷积层和反卷积层中同样引入3个残差块,最终解码器的输出为压缩后重构地震信号。用海上地震信号作为训练数据集来训练网络参数。为检测CAE压缩的有效性,针对海上地震信号测试数据集进行压缩实验,并且与JPEG2000压缩算法对比。实验表明在相同压缩比下,CAE的均方误差和峰值信噪指标要比JPEG2000好,CAE压缩后重构效果好;并且在峰值信噪比相同时,CAE具有更高的压缩比。