地震勘探是研究地质内部构造的重要方法,成像精度、分层信息都影响着对地下矿产资源的寻找。随着人类对能源需求日趋强烈,地震勘探发挥着越来越重要的作用。全波形反演是一种高分辨率成像的地震勘探方法,拥有的高精度建模能力可以提供充足的信息来描绘地质构造。人工智能的发展也为全波形反演带来了更多计算方法和理论可能性。传统的全波形反演通过降低正演模拟出的模拟记录和观测记录的度量差异来不断优化模型。许多研究重点都集中在提高收敛速度、选取凸光滑的目标函数等方面,但基于确定性的全波形反演无法获取模型参数的完整统计分析。变分推断提供了计算模型后验分布的方法,使得对反演结果进行不确定性分析成为可能,有利于对模型进行更全面的评估和解释。本文基于循环神经网络实现了变分推断全波形反演。循环神经网络参与声波正演模拟和梯度计算,自动微分能够提供与经典的伴随状态法相同的梯度。在变分推断全波形反演中,每次迭代的速度模型都是从参数化分布采样得到,同时将传统的目标函数转化为含有复杂性损失和数据误差两项的新目标函数,反演过程中的重点将逐渐从大范围采样转变为保证与真实数据匹配。本文选取归一化流中的线性流和平面流生成的分布族来进行变分推断,通过模型试算验证变分推断全波形反演的实际效果。线性流能够根据真实信息的情况来更新模型的不确定性,而平面流对于真实模型有更好的拟合效果。变分推断全波形反演能够给出模型的具体分布,对于速度变化交界处有更好的解释性,相比于原始方法有着更全面的反演结果,并且能够缓解周期跳跃现象。