随着石油勘探范围的扩大以及技术手段的提升,勘探采集的工区地震资料逐年递增。在地震数据处理流程中,庞大的数据量为人工拾取速度谱带来极大负担,导致速度谱的拾取过程变得极为耗时,亟需计算机辅助资料处理技术的变革。为解决速度谱拾取的耗时问题,速度谱拾取的自动化成为现阶段研究热点之一。现有的速度谱自动拾取算法可分为半自动化速度谱拾取算法与自动化速度谱拾取算法。半自动化算法主要包括蒙特卡罗法、非线性函数优化法、共轭梯度法与简单的深度学习算法。此类算法因其需要速度条件约束、种子点等原因不适用于复杂地质场景,其错误的约束条件会导致拾取点的误差出现累计,因而半自动化算法逐渐被自动化算法替代。自动化算法主体是深度学习算法,具有自学习性与高效率等特点,且能够通过不同层次的纹理学习到有效能量团信息。不过,在实际工程中,自动化算法获取的拾取点对地层结构的序列特征信息考虑不充分,对于多次波能量团与非能量团中心拾取点等数据不能有效处理,致使拾取点不够准确,甚至出现地质解释偏差。因此,本研究以获取准确的拾取点为目标,针对多次波误拾取与非能量团中心拾取点导致的拾取点不准确问题,具体做出如下探索:第一,针对目前神经网络算法中多次波能量团误拾取导致的拾取点不准确的问题,本文提出一种针对多次波能量团干扰鲁棒的目标检测网络FLD。考虑到多次波能量团与正确的能量团形态与纹理极为相似,本研究增加了空间注意力模块用于学习速度谱能量团的全局相关性特征,确保FLD网络的粗略拾取结果能够获取有效纹理细节,避免冗余信息的影响。第二,针对目前神经网络不能有效拾取偏离能量团中心拾取点的问题,本研究提出一种关联上下文的PA模块用于精细化调整拾取点的合理位置,解决偏离能量团中心拾取点的问题。考虑到偏离能量团中心拾取点的获取需要参考叠加段与相邻速度谱等数据,PA模块通过图像矩阵的加权求和有效融合了地层变化的上下文信息,从而精细化调整FLD输出的粗略的拾取点。综合粗略拾取与精细化调整的思考,本研究提出了FLD-PA算法。该算法将FLD的粗略拾取结果送入PA模块进行精细化调整,充分融合了能量团特征与地层变化的上下文信息。模型验证表明,本研究提出的目标检测算法FLD相较于YOLOv3网络准确度指标提升19.53%。此外,本研究提出的FLD-PA算法相较于YOLOv3-LSTM准确率指标提升1.64%,均方根误差指标降低1.9像素。因此,本研究提出的FLD-PA算法能够解决多次波能量团干扰问题并拾取偏离能量团中心的拾取点,有效提升了速度谱拾取准确率。从而为后续的地震勘探处理流程提供准确的速度参数。