异常体通常指引起物探异常的地质体,是具有一定空间形态的特殊地质构造,其中盐丘、河道是最常见的异常体。由于异常体的特殊构造和与油气藏等资源的紧密联系,异常体的识别和分割对地震数据解释工作有着至关重要的作用,同时,构建异常体三维模型对于建立地震偏移速度模型以及地质结构分析等都具有重要意义。目前对异常体的识别和分割多是基于单一属性进行的,虽然存在多属性融合的方法,但都是利用算法进行多属性融合,依赖于人工并且需要花费大量时间,难以满足当前勘探开发需求。另一方面,随着人工智能技术的发展,基于卷积神经网络进行异常体的识别研究逐渐成为研究热点,但目前的研究基本上都是单一输入,而单一属性通常存在多解性问题,对于刻画异常体的边缘细节难以保证准确性。因此,本文从地震属性出发,探索了利用深度学习方法实现地震多属性融合以更加自动化和准确的分割盐丘。本文研究了基于三维地震数据的盐丘识别和分割,主要工作和贡献如下:(1)基于人工解释效率低及单属性识别存在多解性问题,本文提出了一种基于Unet和多属性融合的盐丘识别方法。首先根据对要识别异常体的敏感度优选出几种属性,针对地震数据的特点进行预处理操作。之后通过构建含有多输入和多连接的Unet网络使多属性数据能够同时输入网络并在网络中融合。该网络实现了端到端的盐丘分割,并且考虑了多属性融合的非线性问题使用了密集连接。使用多属性融合的Unet能够自动融合和学习多属性的特征,并且对盐丘识别的准确度要优于单一属性的Unet。(2)在地震数据解释中,构建三维异常体模型是十分必要的,为了解决二维分割结果构建三维模型时的不平滑问题,提出基于3DUnet和多属性融合的盐丘识别方法并建立了三维异常体模型构建的整体工作流程。首先为了解决三维数据标注困难的问题,使用最小曲率算法将二维盐丘分割结果平滑后作为三维盐丘分割的标签。之后将基于Unet和多属性融合的盐丘识别方法扩展到三维,将所有二维操作替换为三维,实现了三维数据的直接分割。同时,为了增强识别结果的准确度,提出使用基于区域生长算法对分割结果进一步优化。最后使用等值面面提取技术重建出三维盐丘表面。本章实现了三维地震数据的多属性融合,得到了平滑且准确的三维分割结果,实现了三维盐丘识别和重建的工作流程。本文使用荷兰近海F3区块地震数据块验证所提出的方法,所得到的盐丘分割结果与人工解释结果基本吻合,与使用单一属性的Unet网络相比较,本文所提出方法得到的分割结果准确度更高,所得到的异常体边界更清晰。