在地震勘探中,由于各种噪声的干扰,地震记录上的有效波同相轴往往难以辨析,影响后续的数据处理和解释。因此,地震资料去噪是数据处理工作中的一项重要的内容。传统的去噪方法往往存在一定的局限性,例如去噪效率低,或者损伤有效信息等。因此,设计一种既能高效去噪又能保护有效信号的方法一直是去噪处理的一个不变的研究主题。近年来,卷积神经网络(Convolutional Neural Network,CNN)去噪在传统去噪方法之外开辟出了一条新的途径,取得了令人瞩目的进展。本文对Dn CNN(Denoising Convolutional Neural Network)做了改进,在其卷积核中采用空洞卷积的形式,并且将网络结构中的卷积核参数、空洞因子设置为镜像对称的形式,设计出了一个新的对称式空洞卷积神经网络(Symmetric Dilated Convolutional Neural Network,SDCNN)。我们的SDCNN保留了Dn CNN批标准化的优点,使之在网络训练时精度稳中有升;而引进的空洞卷积的形式能够增大对输入地震数据的感受野,有利于充分利用地震信号邻域信息辨别地震资料中的信号和噪声。本文通过在Marmousi模型上开展正演模拟,合成一批试验数据用于对我们的SDCNN进行训练。然后,我们就训练成熟的网络的去噪效果进行了数值对比试验,分别用带通滤波方法,小波变换方法,Dn CNN方法以及我们的网络模型对同一批数据进行去噪处理。结果表明,用我们的SDCNN去噪后,数据的峰值信噪比比带通滤波去噪方法、小波变换去噪方法以及Dn CNN去噪方法分别高了9-10 d B、5-6 d B和1-2 d B。在保持有效信号波形方面,我们的SDCNN则体现出突出的优势,比其它三种方法更有利于辨识不同类型的波信号。此外,由于采用空洞卷积的形式后,SDCNN的参数量比传统的卷积神经网络大幅度地减少,网络训练效率得以提升,极大地降低了用时成本。这几个方面的结果表明,我们的SDCNN比其它方法具有优势。本文最后进一步就SDCNN的实用性进行了实际地震资料去噪处理试验。对于各种类型丰富,随机性较强的噪声,SDCNN发挥出了优秀的去噪作用。实际资料处理结果表明,SDCNN不但比f-x反卷积滤波、带通滤波、小波变换和Dn CNN具有更好的去噪能力,而且对有效信号的保护性也更好,SDCNN的去噪地震记录的同相轴比其它方法更为完整。说明我们的SDCNN在实际地震资料去噪处理方面具有出色的性能。