地震数据受采集方式、采集环境的影响,会出现噪声污染、数据缺失等问题,这些问题都会影响到后续地震数据的处理结果,因此对野外采集到的原始地震数据进行噪声去除和重构,提高信噪比、增强分辨率的工作具有极其重要的意义。稀疏表示是一种简单高效的数据表达方式,在地数据处理领域的应用较为广泛,该方法具有较强的数据处理和特征提取表达能力。本文利用数据在变换域的稀疏性或非局部自相似性基于地震数据噪声的研究提出了具有稀疏表示能力的固定基函数去噪方法和字典学习去噪方法,并对这两种方法对数学模型数据和实际数据的去噪效果做出评估,并针对这两种去噪方法去噪效果中固定基函数不具自适应性和字典学习去噪不能将地震数据的细节纹理特征保留的缺陷提出了基于图正则的组结构字典学习去噪方法。本论文研究内容可概括如下:1.针对原始地震数据噪声难以去除的问题,本文首先使用基于固定基函数特征提取的稀疏表示方法中的小波变换、Curvelet变换去噪方法,其中小波变换方法具有较强的时频分析能力可以对地震信号的局部突变特征进行有效表示,但该方法不能对具有曲线特征的地震信号进行较好的稀疏表示,Curvelet变换方法具有多方向多尺度的表述能力,这样可以对曲线同相轴在去噪的同时能够良好的表示。但基于固定基函数的稀疏表示方法的基函数是不变的,不具有随地震数据变化而自适应构造基函数的能力。2.针对传统固定基函数在数据稀疏表示过程中不具备自适应性的缺陷,本文采用具有数据驱动特征学习功能的字典学习方法来稀疏表示地震数据,主要对MOD、K-SVD字典更新算法和MP、OMP、LARS稀疏求解算法进行了研究,发现传统的字典学习去噪方法对多维地震数据的向量化操作会使得地震数据中含有局部细节纹理特征信息丢失,并且会将较弱信号中的有效信号作为随机噪声去除。3.针对传统的基于数据驱动特征学习的字典学习去噪方法,本文提出了基于图正则化的组结构字典学习去噪方法,该方法通过构造一个权重矩阵对相邻数据之间相似性进行了限制,这样可以保证原子之间的相关性足够小,训练得到的字典就具有更对的数据结构特征和细节特征,使用该方法可以有效地对地震数据去除噪声和重构恢复。本文将上述几种方法在二维、三维理论模型和实际地震数据中进行了去噪和重构效果的评估,对比分析可以看出相比传统稀疏表示去噪方法,本文提出的基于图正则的组结构字典学习方法具有的较好地震数据去噪效果。