一次波和多次波分离的深入研究是石油地震勘探的前沿课题。在常用的预测相减法中，多次波自适应相减是二者分离的关键，并可被归结为线性回归问题，然而其所估计的滤波器往往不能有效表达预测多次波和真实多次波之间的复杂差异。利用滤波器将预测多次波与原始数据进行直接匹配的方式容易产生残余多次波或损伤一次波。本项目将自适应相减归结为鲁棒非线性回归问题，通过构建卷积神经网络来更好地表达预测多次波和真实多次波之间的差异，并在连接多个预测多次波道集的卷积层中采用 3D 滤波器以减少残余多次波。为避免过拟合造成一次波损伤，本项目利用相同网络拟合多个原始数据道集来增加网络训练的数据量，并在优化问题中引入网络参数的正则化项和一次波（拟合误差）的稀疏约束项。本项目构建的卷积神经网络能将 自身提取的多个预测多次波特征，而不是预测多次波本身与原始数据进行匹配来提高一次波和多次波的分离效果，进而为后续成像和反演提供高精度的输入数据。