地震勘探是获取油气资源储藏信息的重要手段之一。通过地震勘探,可以观测和分析出不同地层深度下的构造信息,间接地推测油气藏位置,因此该方法在国内外被广泛应用。近年来,我国的地震勘探趋势是非常规深层油气藏,这意味着油气储藏区域的地质会更加复杂、储层更深、介质非均匀性更强,因此实际采集到的地震资料的质量并不高。具体表现为大量的规则噪声和不规则噪声混杂在地震记录中,造成有效信号难以识别,地震记录的质量、分辨率非常低,以致于后期难以开展对地震资料进行解释。为了解决这一难题,提供可靠的、清晰的、满足“三高”要求的地震信息,探究一种可行的噪声消减方案对于油气资源勘探具有重要意义。目前,许多地震数据噪声消减算法都被应用在实际地震资料的处理中,例如小波变换、多道拟合算法等。虽然它们在实际的应用中有所收效,但是其局限性也不容忽视。近年来,人工智能时代来临,深度学习以其强大的学习能力展现出了它优越的潜力。他从给定的大量样本数据中进行学习,挖掘数据的内在非线性表示方式,可以对一些高维、复杂的数据进行有效地处理。而其中,卷积神经网络(Convolutional Neural Network,CNN)和生成对抗网络(Generative Adversarial Network,GAN)是两大应用广泛的重要模型,在文字识别、图像超分辨率、数据增广等领域均有涉猎,但在地震数据处理领域应用还较少。因此本文针对传统动圈检波器采集到的地表沙漠地震记录以及分布式光纤传感器(Distributed optical fiber Acoustic Sensor,DAS)采集到的井中地震记录,基于CNN和GAN这两类模型研究深度学习方法对于两种地震资料处理中的应用。在传统动圈检波器获取的地表沙漠地震记录中,有效信号往往受到随机噪声和面波干扰,且记录中的噪声能量强、频率低、与信号有一定程度的频带混叠。针对这种地震资料,我们提出了一种无监督的基于相对属性的生成对抗网络。该方法引入了属性编辑的思路,对地震记录中不同属性的数据进行属性编码,以目标属性与原始属性作差得到的相对属性作为指导、三种损失函数作为约束来控制生成器生成对应目标属性的数据。通过设置合适的目标属性,即可达到信噪分离的目的。分布式光纤传感器(Distributed optical fiber acoustic sensor,DAS)是现代勘探中领域的前沿技术,布设在井中。与传统动圈检波器相比,DAS以低成本、抗干扰能力强、抗高温高压等诸多优点引起了研究学者们的广泛关注。但实际获取的DAS记录呈现出弱信号、强干扰的特性,局部的振幅相差很大,且与传统动圈传感器获取的资料相比分辨率也更低,噪声更为繁杂,除随机噪声外,还出现了光学系统噪声、衰落噪声等新型噪声。因此,井中DAS数据比地表数据的处理难度更大。针对这一问题,我们设计了基于运算注意力的卷积神经网络,采用不同大小的卷积核获取到的不同大小感受野下的特征信息与通道注意力生成的权重结合,增加了上下文信息的同时还能有选择地增强最重要的特征信息,抑制无用信息,从而实现信号的精准定位。本文针对两种复杂陆地地震资料的噪声消减,分别构建了相应的策略。在模拟实验和实际实验部分中,通过对去噪结果、差值、f-k谱图等进行多方面的衡量和量化分析后,最终得出结论:本文提出的两种基于深度学习的算法不仅有效地消减了噪声,同时也完整地恢复了地震同向轴且保证了连续性。