方文倩，李志明

(中国地质大学 数学与物理学院，湖北 武汉 430074)

1 引 言

地震勘探是探测地下构造、勘探油气资源的重要手段。然而，各种复杂地质条件以及采集设备的影响导致原始地震图像信噪比低，干扰严重。因此，降噪是地震信号处理中的重要任务之一，有助于信号分析和地震解释。经典的去噪方法包括小波变换[1]，F-X预测滤波[2]，奇异谱分析[3,4]等。这些方法利用地震信号的空间相干性，适用于水平同相轴数据，对倾斜或弯曲同相轴信号可能会有所损害。另外，基于稀疏表示的方法广泛应用于地震信号随机噪声压制中，主要分为稀疏变换[5,6]和字典学习[7]。这类方法将缺失的地震数据变换到稀疏域，通过保留较大的系数，抑制较小的系数提取有用的信号分量。尽管这些去噪方法极大地提高了地震图像质量，但是大多数方法涉及复杂的手动参数选择。

自2012年AlexNet网络[8]在ImageNet大规模视觉识别挑战竞赛夺冠以来，卷积神经网络(Convolutional Neural Network, CNN)飞速发展，在各领域都取得了突破性的进展。在地震信号噪声压制问题上，CNN网络展现了其巨大的潜力[9]。基于CNN网络的地震数据去噪方法通过自学习提取高层特征，从而非线性地表征地震数据，并且在测试阶段具有高效率和无需调参等优点。DnCNN是最常用的去噪网络，通过残差学习的方式，从带噪数据中学习噪声的特征进而达到去噪的效果，在地震信号随机噪声压制[10]和面波噪声压制[9]中都具有较好的效果。王钰清等人在U-net网络的结构框架下结合DnCNN的残差学习思想，能够很好地压制随机噪声[11]。……