随着工业水平的进步与发展,我国对能源的需求日益提高。地震勘探作为探明油气资源的重要方式被广泛应用在国内外众多油气田的开采工作中,对于了解能源储备情况具有重要意义。近年来,随着勘探进程的不断推进,部分常规采区浅层油气资源的开采已逐步趋于饱和,地震勘探的目标逐步向山地、沙漠等复杂地质环境区域转移,位于我国西北部的塔里木盆地也因此成为开展勘探工作的主要区域之一。但由于塔里木沙漠地表植被稀松且常年受风沙侵蚀影响,导致沙漠地面地震勘探采集到的数据信噪比(Signal-to-Noise,SNR)极低,噪声与有效信号频带严重混叠,大大增加了噪声压制的难度。同时,随着分布式光纤声传感(Distributed optical fiber acoustic sensing,DAS)技术在地震勘探领域的广泛应用,沙漠勘探数据的噪声处理问题变得更加困难。DAS技术具有成本低、空间分辨率高、可大规模长期布设等远超常规检波器的优势,是一项极具变革性的前沿采集技术。但在实际采集到的DAS地震勘探资料中,不仅有效信号中的直达波与反射波、转换波之间能量差异巨大,同时噪声干扰能量强、种类多,其中更是包括多种新类型噪声,这些都为后续勘探资料的处理及解释带来极大困难,严重制约了国内DAS技术在勘探领域的发展。因此,沙漠地区勘探资料噪声压制方法的研究极为关键,对推动油气资源勘探进程意义重大。目前现有的绝大多数传统地震数据噪声压制算法均易出现消噪不彻底、有效信号恢复不完全等缺陷,难以满足沙漠地面勘探资料及井中DAS勘探数据的噪声压制需求。因此,有针对性地发展更加切实有效的噪声压制技术迫在眉睫。近年来,卷积神经网络(Convolutional Neural Network,CNN)算法在包括勘探信号处理在内的众多领域均表现出了极大的发展潜力。CNN可基于大量的样本学习及多次卷积运算自适应地提取数据的内在特征,实现复杂噪声的有效压制。本论文以CNN为基本框架,依据多尺度特征融合思想,通过不同大小的卷积核设计来实现多尺度特征信息的提取及融合,从而有效丰富特征信息,更利于强噪声背景下的有效信号恢复。本文分别结合不同沙漠数据中的信号及噪声特性对沙漠地区勘探数据的消噪问题展开了深入研究。首先,针对沙漠地面勘探数据中的复杂低频噪声,本文提出了多尺度密集连接特征融合(Multi Scale-Dense Connection Feature Fusion,MS-DCFF)消噪网络,该网络对三个不同尺度的特征信息进行渐进融合从而实现有效信号的精确建模,同时在每一层级中结合密集连接思想对特征进行多次复用,补充了网络在传递信息时丢失的细节成分,在压制强噪声的同时有利于信号的细节重构。接着,针对井中DAS垂直剖面记录,本文提出基于通道注意力引导的多尺度残差模块消噪网络(Channel Attention-guided Multi Scale Residual module Network,CA-MSRNet),通过交替插入的膨胀卷积来帮助网络捕获更为丰富的特征信息,从而有效区分信号与噪声的特征分布,同时采用通道注意力机制对特征通道中的权重系数进行重分配,并利用多尺度卷积来整合空间上的多尺度信息,共同引导有效信号的重构。最后,将上述两种消噪网络分别应用于沙漠地面勘探资料及井中DAS勘探资料的消噪处理中,对模拟及实际记录进行了反复实验。在模拟实验中,通过将本文方法分别与传统消噪方法和网络类方法的去噪结果进行时域、频域分析以及数值量化对比,验证了本文方法的有效性及泛化能力。而在实际地震勘探资料处理实验中,本文提出的两种网络模型不仅能有效压制噪声干扰,同时深层弱信号也得到了清晰连贯的恢复,证明了本文所提出方法的优越性能。