城市浅层反射波地震勘探方法受到城市工业、交通、人类活动以及浅层各向异性等多种因素影响,地震数据常常包含复杂的噪声干扰。浅层地震记录中的干扰波多呈线性,多种干扰波干涉情况下,记录波形形态变化复杂,且在时域与频域与有效波都有重叠。其中,面波是城市浅层反射波地震勘探中的典型干扰波,其在地震记录上表现为低频、强能量、低速的相干噪声。在浅层地震勘探中,面波发育于近地表低速带中,由于频散特性,其在介质各向异性强的近地表区域内(<30米)引起很强的速度梯度,并以低群速度沿着自由表面传播,严重破坏了近偏移距中的浅层反射信息。压制面波对于提高浅层地震勘探数据信噪比具有至关重要的作用。仪器的发展使得城市浅层地震勘探方法能够以高密度采集模式获取大量的浅层地震数据,但是其中复杂的城市干扰使得技术人员对处理与分析这些数据非常困难。当前以数据驱动的深度卷积神经网络算法是处理海量数据的有效解决方案,其在图像识别、图像超分辨率重建、语音增强等领域取得了巨大的成功。能够通过深层次的网络结构提取海量数据特征,实现特征表达。本文以面波为待压制噪声,提出基于深度卷积神经网络算法学习研究区内一条测线的数据特征,并将训练好的降噪卷积神经网络模型应用于同一时期、同一采集参数下获得的其它测线地震数据的面波压制中。实验结果显示,深度卷积神经网络能够通过一条测线数据学习噪声数据到无噪数据之间的映射关系,并成功压制其他测线地震数据中的面波干扰,实现高效处理高密度采集模式下的地震数据。结果也表明,当存在适合学习的噪声样本情况下,深度降噪卷积神经网络也可以推广到压制线性噪声或更加复杂的噪声中。本文首先分析地震数据与图像、语音等数据异同点,提出针对深度降噪卷积神经网络的地震数据预处理方法。其次通过数值模拟地震记录对比了不同的映射对象对降噪神经网络降噪性能的影响;最后将提出的深度卷积神经网络降噪方法应用于实际多条测线数据上,证明深度降噪卷积神经网络算法能够学习噪声与有效波特征,并实现高效、高保真地压制同一研究区、同一时期、相同观测系统所采集的地震数据的噪声。