地震勘探是处理油气勘探的主要方法,经过观察和剖析人工激发的地震波在地下的传播规律,帮助人们探寻到地下的油气资源。但是在检波器检测到的地震信号中,常伴有很多的干扰噪声,这严重地影响到有效地震信号的识别。同时由于常规油气田已经到达了开采末期,人们逐步的把目光转向非常规油气田,由此获得的勘探信号中有效信号能量更低,噪声能量更高,地震信号的噪声压制问题也变得更加困难,这极大地增加了地震资料的解释难度。因而抑制地震信号中的干扰噪声,提升地震资料的信噪比(signal to noise ratio,SNR)是地震勘探数据处理的关键环节。本文研究重点是山地地区地震信号和沙漠地区地震信号的噪声消除问题,针对两种地震信号的不同特征,本文基于Shearlet去噪算法提出了两种改进思路,并通过合成记录和实际记录的仿真实验,验证了改进算法的有效性。基于硬阈值的Shearlet变换充分利用了Shearlet变换和硬阈值的优点,在处理地震信号干扰噪声的过程中取得了一定的效果。但是这种方法是通过选取固定的阈值来压制噪声的,因此在去除噪声的同时很容易过度扼杀有效信号。而且去噪后的地震信号会出现虚假同相轴,影响去噪效果。本文提出了一种基于自适应阈值的递归循环平移shearlet变换(recursive cycle spinning shearlet transform,RCSST)去噪算法。首先,我们采用了递归循环平移(recursive cycle spinning,RCS)与Shearet变换相结合的方法变换分解地震资料,接着采用根据Shearlet系数的能量大小而自适应变化的阈值处理变换系数防止系数被过度扼杀,保护有效信号的幅度,同时有效抑制随机噪声,增强有效信号的连续性。实验结果表明,当信噪比较低的时候,该方法可以比传统的方法更好的压制随机噪声和保护有效信号。近年来,随着计算机水平的持续提高,卷积神经网络(Convolutional Neural Network,CNN)得到了迅速的发展。作为一种先进的深度学习算法,卷积神经网络已经在图像信号处理和语音信号处理等领域取得了突破性的进展。本文根据沙漠地震信号低信噪比的特点,提出了一种基于Shearlet变换的深度残差卷积神经网络(Deep Residual Convolutional Neural Network for Shearlet Transform,ST-CNN)模型,完成对沙漠地震数据的噪声消减。本文模型分为两个过程:训练过程和测试过程。在训练过程中,我们把变换后的沙漠地震数据Shearlet系数输入到网络模型中,把变换后的噪声Shearlet系数当成训练标签,利用卷积神经网络学习拟合到输入和标签间的映射关系。在最后的测试过程,我们就可以使用这个映射关系,在地震数据Shearlet系数的基础上,获取到干扰噪声的Shearlet系数,然后得到纯净信号的Shearlet系数,再经过逆变换获得去噪后的沙漠地震信号。为了验证其有效性,我们把此算法应用到沙漠地震合成记录和实际记录的仿真实验中,实验结果表明,基于ST-CNN模型的去噪算法在同相轴(有效信号)的恢复和噪声的消减方面有较大进步,信噪比也有很大的提高。