初至拾取在地震勘探问题里是一个很基础但很重要的问题,因为在近地表获取的数据往往带有很强的静校正特征,会有能量低,信噪比低等问题,会导致初至拾取问题的困难,尤其是传统的自动初至拾取方法。过去初至拾取主要依靠人工拾取,比较依靠经验判断,并需要很多的人力和很大的工作量,后来产生了许多的传统方法,比如长短时窗比、分形维法、相关法等,但都离不开人为的大量参与,还是不够智能,而且在初至拾取工作中容易出现的高噪声、道缺失等情况上,传统方法的表现不够好。现在深度学习在图像处理上有很好的表现,所以很多工作开始尝试将深度学习的方法应用于初至拾取这一问题,比如使用卷积神经网络,循环神经网络进行模型训练等。初至拾取在图像处理中可以看作是图像分类的问题,把初至之前和初至之后做一个分类,而且初至作为分界线,所以也可以看作是一个图像分割的问题。本文的主要工作就是将初至拾取看作图像分割问题,并使用卷积神经网络中在医学图像上表现效果很好的U-Net网络作为训练框架,合成了需要的带标签的初至拾取训练集,并对损失函数做了修改,结合图像梯度,增大了初至部分的权重,使模型的训练更聚焦于初至的部分。从实验结果来看,深度学习可以提供一种智能的、可靠的初至拾取方法。