在海洋地震勘探领域,鬼波作为一种常见的干扰信号,其产生机制主要源于震源端和接收端的反射波。这种干扰信号的存在不仅导致地震记录的频带显著变窄,还直接降低了勘探数据的分辨率,对数据质量和后续的地质解释工作造成严重影响。目前,针对鬼波压制的技术方法主要可分为数据采集阶段和数据处理阶段两大类。其中,采集阶段的鬼波压制技术虽然能够在一定程度上减轻干扰,但这种方法通常需要依赖额外的硬件设备,不仅增加了勘探成本,而且在实施过程中难以根据实际情况进行灵活调整或重复采集,这在一定程度上限制了该方法的广泛应用和实际效果。在数据处理过程中,数值计算稳定性和计算效率是两个亟待解决的关键问题。特别是在复杂海洋环境下,传统处理方法往往难以有效应对高精度数据的处理需求,导致数据处理结果存在误差。 本研究提出了一种海洋地震数据鬼波压制方法,其核心架构以UNet网络为基础,通过引入残差模块和自注意力机制来增强特征提取能力。该方法能够同时压制震源端和接收端产生的震源鬼波、电缆鬼波以及混合型鬼波。与传统依赖复杂物理模型或先验信息的去鬼波方法不同,本方法通过大量样本数据的训练,实现了对鬼波特征的自动识别和学习。本方法的技术特点是无需预先建立精确的物理模型,利用深度学习网络直接从数据中学习鬼波的特征表示,实现了自动化的去噪过程。实验结果表明,该网络模型不仅显著降低了计算资源的消耗,还提高了海洋地震数据处理的效率和速度。特别是在处理复杂地质条件下的地震数据时,改进型UNet网络展现出优异的性能,能够有效识别和压制多种类型的鬼波干扰。与传统方法相比,该方法在保证处理精度的同时,大幅提升了计算稳定性,为海洋地震勘探中的鬼波问题提供了更为可靠的技术支持。