石油是一种非可再生的稀有矿物资源,在各国均受到高度重视。随着经济与科技的飞速发展,石油等油气资源的需求量与消耗量日益增加,浅层易采的油气资源已几乎消耗殆尽,寻找并开采新的油气资源已然迫在眉睫。地震勘探作为石油等油气资源勘测的重要手段,近年来正面临着从浅层向中深层目标,从平原到沙漠、深海等复杂非常规油气藏转变的新形势和新任务。由于勘探深度增加以及勘测地区越发复杂的地质环境,使得实际获取的地震勘探数据中包含大量噪声,这些噪声成分严重干扰有效信号,影响地震数据的信噪比和分辨率,降低了地震勘探数据的质量,给后续反演、解释以及最终油气勘测等工作带来了困难。正因如此,我们迫切地需要进行地震勘探数据噪声消减算法研究。近些年来,随着深度学习的飞速发展,许多算法已经被逐渐应用于地震勘探领域,其中,卷积神经网络(Convolutional Neural Network,CNN)与生成对抗网络(Generative Adversarial Network,GAN)作为经典的深度学习框架在地震勘探数据消噪领域有着广阔的应用前景。CNN可以学习含噪地震记录与纯净地震记录之间的复杂映射关系,进而恢复有效信号并取得优于传统算法的消噪结果。但传统CNN算法使用的单一尺度卷积核会造成细节信息遗漏,面对复杂的地震勘探数据消噪问题仍存在一定缺陷;GAN可以通过对抗博弈的方式训练网络使得生成网络产生的数据服从真实分布,从而获得良好的去噪效果,但传统GAN也存在着训练过程不稳定以及较难收敛等问题,在复杂地震数据的噪声消减上仍有不足。充分考虑到上述网络的优缺点,我们开展了基于多尺度的地震勘探数据噪声消减算法研究。多尺度思想作为深度学习中一种重要的概念,以其可以获得更强大且更丰富的特征表达的特点引起人们的广泛关注。本文以CNN、GAN为基础框架进行改进,结合多尺度思想提出了两种针对沙漠地震数据以及分布式光纤声波传感器(Distributed optical fiber acoustic sensor,DAS)地震数据的噪声消减算法。在我国西北部的沙漠地区蕴含着丰富的待开采油气资源,但由于沙漠地区复杂的地质以及环境条件,使得常规地震检波器接收到的地震勘探记录中含有大量能量强、频率低且分布不均匀的噪声信息。针对沙漠地震数据噪声消减问题,本文以CNN为基础进行改进,结合多尺度思想提出了多尺度膨胀卷积网络(Multi-scale Dilated Convolution Network,MDCN),网络使用多尺度膨胀卷积来替代传统卷积以便可以提取到不同尺度的特征,进而通过包含更加丰富信息的多尺度特征来获得更好的去噪效果。与常规地震检波器相比,分布式光纤声波传感器技术(Distributed optical fiber acoustic sensor,DAS)具有成本较低、便于长期大规模布设以及可以获得精确度更好、分辨率更高的地震资料等诸多优势。但是,DAS技术在地震勘探领域的广泛应用仍存在一些困难,其中之一即为实际获取的DAS地震勘探数据中通常含有大量种类复杂且水平较高的噪声。针对DAS地震勘探数据噪声消减问题,我们以GAN为基础架构,将多尺度思想与对抗思想相结合,提出了注意力指导的多尺度生成对抗网络(Attention-guided Multi-scale Generative Adversarial Network,AMGAN)。该网络利用膨胀卷积提取多尺度特征,同时使用注意力模块来指导网络进行多尺度特征融合,使融合后的特征更加丰富同时包含更多与去噪任务相关的信息,此外我们还构建了一种新的损失函数来帮助网络进行更好的训练,最终实现复杂噪声背景下的噪声消减与有效信号恢复。本文以CNN与GAN为基础架构,引入多尺度来提高网络性能,提出了针对两种复杂地震勘探数据的消噪算法,并且通过模拟实验以及实际实验验证了本文提出的基于多尺度的消噪算法能够有效的压制多种复杂噪声并恢复有效信号,从而为后续反演、成像、解释以及最终油气勘测等工作打下基础。