地震勘探数据经常受到严重的随机噪声干扰,低信噪比数据严重妨碍了对有效信号的辨识和提取,进一步影响地下结构成像和地震资料的解释。在处理地震勘探数据时,往往面临非平稳地震勘探噪声的压制问题,随机噪声的强度随着时间和空间的变化而变化,局部区域噪声强度大,部分反射同相轴在强噪声干扰下发生衰减和失真。因此,寻找合适的算法压制地震勘探非平稳随机噪声,恢复地震信号,具有重要意义。基于Beta-Bernoulli过程因子分子(BPFA)算法是一种非参数贝叶斯字典学习算法,Beta-Bernoulli过程作为非参数字典学习先验,能够实现字典元素的稀疏表示,同时该算法从高斯后验分布中更新字典权重和噪声方差。但在强噪声的影响下,算法得到的全局噪声方差是不准确的,影响对特征字典的估计,进一步影响噪声的压制和信号的恢复。为克服强随机噪声对在线字典学习的影响,本文提出基于全变分约束的Beta-Bernoulli过程因子分析(BPFA-TV)算法。该算法在BPFA和全变分的双约束下,实现地震勘探随机噪声压制和信号恢复。BPFA-TV算法利用BPFA字典学习地震勘探数据中信号的复杂结构特征,提升了地震信号结构特征的精度保持。与此同时,全变分正则项在降噪过程中对随机噪声起到抑制作用,有效缓解局部强噪声对字典学习的干扰,使得学习到的字典能够更好地表征地震勘探信号。本文采用ADMM算法求解BPFA-TV最优化问题,通过迭代交替更新BPFA项、全变分项和信号重构项,从强随机噪声中恢复地震勘探信号。模拟和真实地震勘探数据的处理结果表明,BPFA-TV算法改善了地震信号的恢复和强地震勘探噪声的压制。针对地震勘探随机噪声非平稳问题,本文提出基于组稀疏全变分约束的Beta-Bernoulli过程因子分析(GBPFA-TV)算法。BPFA更新字典过程中需要推断噪声方差,参数的准确性直接影响字典对信号特征的学习,进而影响降噪效果。考虑到非平稳的地震勘探随机噪声方差的时空变化特性,只推断一个全局的方差不能代表地震勘探噪声的特性。因此,本文结合地震勘探信号组稀疏特性改善BPFA对噪声非平稳的适应性。GBPFA-TV算法根据噪声水平将含噪数据分类,每组数据通过BPFA-TV算法进行处理,可学习到纹理结构更清晰、信号特征更丰富的字典以实现信号的稀疏表示,处理后的每组数据重构到原位置中得到去噪后的地震信号。地震勘探数据的处理结果表明,GBPFA-TV算法不仅解决了非平稳地震勘探噪声压制问题,同时也提高了对地震信号的恢复。