多次波的压制是地震勘探中的一个重要问题。随着勘探程度的增加和勘探精度的提高,多次波的压制在地震资料处理和解释中显得越来越重要。压制多次波的主要方法有滤波法和预测相减法。滤波法计算成本低,耗时少,但对于较小的NMO差异,不能起到很好的压制作用;预测相减法无需知道地下介质信息,就能很好地压制多次波,但这种方法计算成本较高。目前深度学习也被广泛地应用于地震数据中噪声的压制,相较于传统方法,该方法对于噪声的压制有更好的效果。但在提高地震数据信噪比、保幅性和分辨率方面,该方法还有待进一步的研究。本文首先对多次波的分类和识别作了简单的介绍,接着介绍了小波阈值变换和Radon变换压制多次波的理论。本文的研究重点是应用小波阈值变换和深度卷积神经网络相结合的方法对多次波进行压制。应用小波阈值变换方法对多次波进行压制时,需要把经过动校正后的多次波转化为随机噪声,最终达到压制多次波的目的。将小波阈值变换结果和Radon变换结果进行对比,发现小波阈值变换效果比Radon变换效果更好。该深度卷积神经网络以卷积神经网络为基本框架。在对该网络进行训练时,需要大量的训练数据,其中的标签数据是经过小波阈值变换方法处理后得到的。通过对该神经网络模型进行训练,最终能够识别并过滤出多次波,达到压制多次波的目的。本文通过对小波阈值变换和Radon变换结果进行比较,得出小波阈值变换压制多次波的效果优于Radon变换。小波阈值变换方法给深度卷积神经网络提供标签数据,该网络通过训练好的网络模型完成多次波的压制。结果表明,该网络能有效压制多次波,同时能较完整地保留有效波能量,提高地震剖面信噪比。相信随着计算机技术的发展,在深度学习领域将会有更多压制多次波的理论和方法被提出,对现有的多次波压制技术进行进一步完善,为地震勘探工作提供更好的处理服务。