近年来,深度学习作为神经网络的升级发展十分迅猛,其凭借诸多优点掀起了人工智能（AI）的第三次浪潮。深度学习主要由数学理论知识和计算机技术支撑起来,接近于半监督的学习目标逼近模式,常依赖于大量训练数据。地震勘探问题的研究算法中传统算法居多,但研究方向也在逐渐向人工智能方向偏移。本文主要利用深度学习技术的强特征学习能力和可迁移性,对地震数据降噪和断层识别问题展开研究,研究内容如下所述:对于地震数据降噪问题,提出基于U-Net残差网络的几种改进算法并形成结果对比。地震数据降噪过程中有效信息很容易遭到破坏,地震数据的损失将会对后续的勘探研究造成影响。U-Net残差网络为前馈去噪网络和编码-解码结构的结合体,并在其中加入了对称连接进行更好的特征融合,提出的改进算法在此基础上改变了网络结构,实验结果比对证明在U-Net残差网络加入了非对称连接后,网络在不同层间的特征融合能力更强。对于断层识别问题,提出一种带有逆采样块的Rotated-Unet网络。编码-解码结构的U-Net模型具有较优的地震数据断层识别性能,但编码过程在扩张感受野的同时也容易损失底层特征。为此,提出逆向思维的Rotated-Unet模型将其用于断层识别,区别于U-Net模型在编码-解码结构前加入了先升维再降维的浅层网络,其目的是提高特征的完备性。以上两方面问题均有进行实验来验证猜想。经对比得出结论,本文基于地震数据降噪问题提出的U-Net残差网络改进算法中,非对称跨连接的U-Net残差网络降噪性能较好;基于断层识别问题提出的Rotated-Unet网络在实际工区测试中呈现出更强的泛化性。