地震图像分析在工业应用中起着至关重要的作用,并受到了广泛的关注。地震图像分析面临的主要挑战之一是检测地下的盐体结构,这对于识别油气储藏和规划钻探路径至关重要。当前,传统的地震图像分析仍然需要专业人员来分析盐体。卷积神经网络已成功应用于许多领域,并在地震成像领域进行了多次尝试。盐体的数据特征与自然图像不同。例如,盐体的形状是不确定的,并且没有形状的先验知识;地质数据的纹理更加突出等等。因此,一般的语义分割网络在盐体数据上表现不佳。针对盐体数据的这些特性,本文设计了一种深度监督的语义分割模型,并通过边缘预测分支对分割结果进行了优化。本文主要研究内容如下:首先,针对盐体数据不定形的问题,设计了一种多任务深度监督的盐体语义分割方法,通过构建分类,分割多路径的协同优化模型,实现了对盐体数据的有效分割,提高了分割结果的准确性。其次,针对小目标难以准确分割的问题,设计了一个边缘预测分支来预测盐体的边界,它通过对边界损失的监督来指导特征学习,从而使网络可以更加明确地区分盐体语义边界两侧的特征,有效提升了盐体边界分割的准确性,进而提升对小目标的分割性能,最终提升盐体分割的整体性能。最后,针对盐体数据分辨率有限且数据量不足的特点,将盐体分割模型解码器中不同分辨率的特征谱全部加以利用,通过语义分割损失函数进行监督,提高了解码器特征的利用效率。此外,通过将边缘预测分支的特征与分割分支的特征加以融合,提高了特征的表达能力,有效提高了盐体分割的性能。实验证明本文算法通过多任务深度监督方法有效提高了整体分割性能,边缘预测分支的引入有效提升了小目标的分割准确度,同时多尺度监督的盐体分割方法与边界特征的融合有效提高了盐体分割的性能。