0 引言

随着经济的快速发展，我国的石油消耗量也在逐年增加。我国对大多数油气田的勘探和开发程度已经较高，导致了常规油气藏的开采潜力不断减小，同时勘探和开发也变得越来越困难。目前国内外的非常规油气藏资源丰富，常规油气藏与非常规油气藏的比例大概为2:8[1]。据不完全统计，我国的非常规油气藏资源已经达到190×1012 m3左右，2010年，国内非常规油气藏探明储量已经占据总储量增长的75%，是新增探明储量的主要部分[2-3]。因此在我国，对非常规油气藏的勘探开发逐渐成为了一种必然趋势。

在油气田开发中，油气的采出、注水注气、水力压裂等作业都会诱发地震，其中压裂技术是油田增产开采的主要手段之一，特别适用于低渗油田等非常规油气田[4]。微地震监测主要研究水力压裂诱发的微地震问题，建立压裂裂缝的空间图像以用来确定裂缝的方位和形状等，从而使油气田在开发过程中能够保证高效的增产[5]。因此微地震监测这一新技术在油气田开发中得到了迅速发展和广泛应用。

由于诱生的微地震信号具有能量大小不一、信号弱、频带宽、受到背景噪声干扰严重等特点，致使微地震数据的信噪比过低[6]。影响微地震数据信噪比高低的因素有很多，例如周围环境中噪声源的存在、信号接收器距离的远近等。较低的信噪比会对微地震研究的准确性、可靠性以及后续的解释带来一定影响。因此，噪声压制是微地震数据处理的关键一步。

本文首先对地面微地震噪声源进行分析，并对目前微地震数据去噪方法进行了划分和总结；然后分析了3种深度学习的典型模型结构，结合其在相关去噪领域中的应用，可以用来解决微地震数据噪声压制问题；最后提出利用生成式对抗网络构建微地震数据样本库，使深度学习能够大规模地应用在微地震数据去噪问题中。

微地震监测技术是一门新的地球物理技术，它基于地震学和声发射学，通过对生产活动中产生的微小的地震事件进行观测、采集和分析，来监测生产活动过程中的影响、压裂效果以及地下的状态等[7]。微地震监测技术可以用来对井下的压裂范围，以及裂缝的发育走向、延伸情况和尺度进行追踪及定位，以用来对压裂工作的效果进行评估，为油气田的开发及生产提供高效可行的方案，并且提高作业井的油气采收率。微地震监测的监测方式主要分为地面监测(图 1a)和井中监测(图 1b)两种类型[2, 8-9]。地面监测就是在监测目标区域(如压裂井等)周围的地面上布置一些接收点进行监测，一般包括两种布设方式：星状布设和网状布设。井中监测又可分为同井监测、深井监测和浅井监测，其中后两种属于邻井监测[2]。在实际进行井中监测时，将检波器布设在监测目标区域临近的一口井或水平井中进行监测。两种监测方式相比，地面监测的检测范围较大，但由于易受地面及周围环境的影响，得到的微地震数据质量差，信噪比低，对初至拾取的精度影响很大，并且反演可靠性差。因此，本文主要针对地面微地震监测方式所产生的噪声进行分析和处理。

微地震数据信噪比较低，绝大多数的压裂有效事件都会被噪声淹没。相对于井中微地震监测而言，地面微地震监测面临的噪声干扰更加复杂。它不同于常规地震勘探和井中监测，其噪声主要来源于数据采集过程中受到的环境干扰。

地面微地震监测应用于实际生产中时，数据采集一般是通过放置在地表的地面微地震检波器完成的。该检波器不但会采集到较强且影响有效信号的随机噪声，同时采集到的数据信号中还包括地面各种噪声源所产生的干扰，如强脉冲干扰、50 Hz工业交流电干扰、钻井干扰、声波干扰和规则干扰等[6, 10-11]。

强脉冲干扰是在数据采集过程中，机械、交通或人为震动产生的干扰，具有能量较强、频率较高、随机性等特点[6, 10]；图 2a中圆圈部分包含一个强脉冲干扰，且具有一定的波形范围。50 Hz工业干扰(图 2b中圆圈处)是指地面检波器受到附近高压输电线的交流电干扰，该噪声通常能量较强且具有周期性。钻井干扰(图 2c)是一种单频干扰，它是受到周围钻井活动的影响而产生的干扰信号，持续时间长且能量较大，有很强的周期性。声波干扰(图 2d)的频率和视速度较低且稳定[10-11]。规则干扰主要包括低频干扰(图 2e)、线性干扰(图 2f)、多次波、面波等，具有能量强、分布广、主频低于有效信号等特点[10]。

由于微地震采集到的数据信号弱、噪声干扰严重，因此去噪一直是微地震数据处理中的关键一步。微地震监测可以看作是一种被动地震监测。由于微地震资料和地震资料中存在许多相似之处，因而可根据微地震数据的特点，尝试对应用于地震数据集的去噪方法进行修改，并将其应用在微地震数据集中[12]。目前，微地震数据去噪的方法有很多，可以解决不同种类的噪声压制问题，提高微地震数据的信噪比。为此，本文分析说明了几种常用的地面微地震数据去噪方法，并且基于文献[10]中地面微地震数据有效信号与噪声之间的差异，对数据去噪方法进行了划分。

1) 高通、低通滤波。该方法与常规地震的数字滤波方法原理类似。高通滤波一般应用在主要干扰能量处于低频端的低频面波干扰地区，压制面波效果明显，但该方法对有效波的低频部分影响较大且无法保证完全过滤掉面波能量[13]。低通滤波对信号进行滤波时，主要是压制高频干扰，缺点是影响微地震资料低频部分的分辨率[13-14]。

2) 带通、带阻滤波。带通滤波是把相对于微地震有效波太低或太高的频率部分去掉，主要是用来去除长周期噪声和高频噪声[10]。带阻滤波主要是用来压制一定窄频内的频率所包含的能量[15]。

3) 陷频滤波。50 Hz工业干扰是微地震资料中的主要噪声源之一，因此可以使用陷频滤波法衰减微地震资料中的单频干扰，压制某一固定频率的干扰[10, 14]。缺点是得到时间域陷频算子长度的有限性，在处理过程中易对有效信号造成损坏。

4) 中值滤波。中值滤波法是通过定义相邻道采样点的中值作为正常的信号强度，然后以此作为判断处理点振幅异常的依据，当处理点能量与正常信号强度存在较大差距时，可以判定处理样点振幅异常并做衰减处理[10, 12]。该方法能够自动识别出强能量噪声出现的地震道和时间段，抑制随机噪声[16]，保护微地震资料的边缘特征，使原始资料的畸变程度较小[17]。

5) 正余弦函数逼近法滤波。正余弦函数逼近法是在时间域利用不同振幅、相位、频率的正余弦函数组合并估算这3个参数来模拟数据中的单频干扰，然后从微地震数据中去掉模拟的噪声，以达到去噪的目的[10, 18]。该方法常用来去除单频干扰，如工业干扰、钻井干扰等；但在处理中需要对参数进行估计，如果估算不正确可能导致无法去噪甚至使噪声更大。在常规地震处理中，已经提出了很多基于该原理的去噪方法，如高少武等[19]提出了自适应单频干扰的消除方法等。因而针对地面微地震数据中单频干扰频率不一致性的特点，宋维琪[10]提出了一种余弦函数自相关滤波法，利用地震道的自相关性获得不需人为估计的单频干扰参数，提高了去噪效果。

1) 极化滤波。一般的极化滤波法是选定某一固定分量当作极化滤波因子的期望滤波方向，压制偏离期望方向的线性极化波；但当处理微地震的复杂波场时，由于波的偏振方向具有不确定性，故这种方法无法较好地分离出明显偏离期望方向的有效波场，并且处理后容易造成振幅的畸变，使信号的同相轴不连续[10, 20]。采用改进的自适应极化滤波法，可以将波跟踪分量的方向作为极化滤波因子的期望滤波方向进行跟踪分量滤波，使三分量微地震数据更好地滤掉随机噪声和各种非极化波，减小有效信号的畸变程度，提高了数据信噪比[21-24]。

2) Randon变换。Randon变换是将微地震的有效事件作为识别目标，在τ-p(垂直波慢度-水平波慢度)域内进行信号识别、分析和提取等处理，然后利用平滑算子或阈值压制τ-p域中的噪声，最后通过逆变换获得微地震有效事件[18, 25-26]。Randon变换可以压制微地震数据中的随机噪声、规则干扰、多次波等，特别是近偏移距和远偏移距处，并且在去噪的同时能够保留微地震有效事件的波形。但缺点是变换域的分辨率较低，有效事件的聚焦度不高，对有效事件的分离有困难，存在空间假频现象[27-29]。

3) 预测反褶积法滤波。预测反褶积法滤波是采用信号预测的方法，根据微地震数据中的有效信号和规则干扰信号，预测出含有周期性噪声的干扰信号，然后去掉微地震数据中的干扰部分，得到微地震的有效信号，从而实现压制噪声并提高数据信噪比的目的[29]。这种去噪方法不受限于一次波或多次波速度的影响，故常用来压制具有周期性的多次波，以达到突出P波和S波的目的[6]。

4) f-k滤波法。f-k滤波法基于二维傅里叶变换，将微地震数据转换到f-k(频率-波数)域后，视速度不同信号的能量分布在不同区域，然后根据给定有效信号的视速度范围，将与有效信号分布在不同f-k域的噪声去掉，最终经反变换后实现微地震数据的噪声压制[11]。该方法一般用来滤除微地震数据中的规则干扰(如线性干扰、多次波、面波)等，通过增加波数域的限制，减少了与噪声同频率有效信号的丢失。常规的f-k滤波法在处理中信号区域和视速度参数很难设定，有效信号会发生畸变，滤波后产生假同相轴，产生混波或人为干扰的引入等[11, 26]。宋维琪[10]、Liang C等[30]提出了改进的自适应f-k滤波法，改善了存在假同相轴的现象，且在去除相干噪声和随机噪声中效果更加明显。

1) 小波变换滤波。该方法是根据微地震中的有效信号与噪声在小波分解后的不同特性，通过对各个分解尺度下的高频系数进行阈值量化处理，然后再进行小波重构，从而达到去噪的目的，提高了微地震数据的信噪比。小波变换降噪法能够监测微地震信号的瞬时突变等非平稳特性，能够在时域和频域内分析微地震信号，并区分有效信号和噪声干扰。缺点是该方法对二维信号中随机噪声的处理具有一定局限性，并且在不同尺度上无法准确地逼近局部信号特征，在重构信号过程中可能会丢失原有的时域特征[31-32]。

2) 曲波变换滤波。曲波变换是基于小波变换和脊波变换的一种多尺度几何分析方法[33]。曲波变换首先将图像进行子带分解，然后将每个子带分解出来的数据在处理前分块进行平滑处理，将每个小块还原为单位尺度，最后将分割得到的子块做脊波变换[34]。该方法克服了小波变换无法应用在二维信号中的局限性，并且适用于处理及分析以曲线特征为主的图像，有利于微地震图像中同相轴的改善[35-36]。但该方法由于在实际处理工程中数字的实现过程复杂，因此数据的冗余量较大。

3) Shearlet变换滤波。利用Shearlet变换的多尺度多方向性，将含有噪声的微地震数据通过Shearlet变换后，其中的有效信号一般会被映射到一些特定方向的Shearlet系数上，而随机噪声则分布在各尺度方向上的Shearlet系数中，从而达到滤掉不同尺度层下的随机噪声的目的[37-38]。Shearlet变换的优点是具有良好的局部特性、方向性和稀疏性，它能够在不同尺度、方向上形成良好的局部化波形紧支框架，将分布在不同时间范围内的具有类似频率或视速度成分的干扰噪声波过滤掉[39]。缺点是传统的Shearlet变换要进行下采样操作，缺乏平移不变性，且在重构数据时，奇异点周围易造成高频有效信号的缺失。刘昕[39-40]等提出了非下采样的Shearlet变换，克服了传统方法中的伪吉布斯现象；根据低信噪比下具有阈值Shearlet变换去噪方法的缺点，文献[41-43]提出了几种改进算法，使噪声系数和有效信号系数分离，具有更好的去噪能力。

随着对微地震数据去噪方法的不断完善和改进，人们将微地震信号的稀疏性[44-45]引入到信号的时频域表示中，并基于稀疏函数表示理论的范畴与傅里叶变换[44]、小波变换[46-48]、曲波变换[49]等变换方法结合，从而使得在压制随机噪声的同时，不会对信号的频域内容或其振幅产生明显的影响，使振幅、相位等信息得到了很好的保存。另外，与传统的采用确定性基函数的变换方法相比，稀疏表示可以根据输入数据的特点自适应地确定基函数，提高传统变换方法在去噪应用中的准确度。

4) 压缩感知。基于压缩感知理论的微地震数据噪声压制法是将微地震信号稀疏化表示并建立稀疏基函数库，然后设计测量矩阵，在选定稀疏化参数后实现微地震源信号的重构和对干扰噪声的压制。该方法能够压制信号中的局部噪声，增强微地震信号中的有效部分[50]，并且在提高数据信噪比的同时凸显微地震的P波和S波，有助于初至波的拾取及后续的处理和解释工作[51]。

5) 经验模态分解法。经验模态分解是将微地震信号分解为几个固有模态函数分量，根据其各自对应的由高到低不同频率的信号成分及所包含的不同数据信息，对微地震信号中有效部分对应的频率范围进行信号重构[52-54]。该方法属于一种自适应信号分解法，与基函数的选取无关；但是由于该方法是基于经验的，缺少数学物理理论基础作为依据，并且模态分量的分解过程会影响到稳定性，容易出现模态分量的混叠现象，对噪声和抽样敏感[55]，使运算结果精确度较低。

6) 变模态分解法。与经验模态分解不同的是，该方法是将信号分解为完全非递归的变模态分解模型，寻找变分模型的最优解来确定每个分量的中心频率及带宽，自适应地分离信号的频域部分及各分量[56]。与经验模态分解法相比，该方法的优点是克服了单一模式建模作为本征模函数的局限性，具有更好的噪声鲁棒性。并且该方法在微地震数据处理中可以改善同相轴的连续性，能够有效去除随机噪声和相干噪声，提高资料的信噪比[55]。缺点是仅对微地震信号低频和中频部分的去噪效果明显，对于信号提取出来的高频部分去噪效果较差。

7) 奇异值分解去噪法。奇异值分解(singular value decomposition，SVD)去噪法是通过奇异值分解，把微地震原始数据分解到不同的子空间中，然后把与噪声对应子空间的能量置为零，最后恢复数据达到去除噪声的目的[57-59]。该方法对于去除微地震数据中随机噪声和相干噪声的效果明显，并且由于当存在振幅和相位扰动时对目标同相轴的影响不是很大，因此数据处理后会较好地保留微地震信号有效部分的动力学特征，有效信号的畸变程度较小[10]。但缺点是该方法适用于微地震资料仅具有水平同相轴的情况下，而实际的微地震信号经常呈现曲线、倾斜等其他复杂形态的同相轴，因而在实际信号处理中会受到限制[10, 18]。

1) 卡尓曼滤波。微地震卡尔曼滤波法主要是对微地震中的直达波(P波、S波)进行最优估计。根据微地震数据的特点，建立微地震信号状态空间模型，再依据卡尔曼滤波的最优估计理论，分析有效信号与噪声干扰等多变量相互间的关系，从而实现滤波[60-63]。该方法的优点是可以在为每个新的监测量提供更新状态估计的情况下，实时优化数据过滤，较好地去除微地震数据中的随机噪声。缺点是需要假设已知噪声和测量误差以及有关的统计信息知识，但在实际应用中，这些统计信息无法获得，只能给出估计值[10]。

2) 盲源分离。盲源分离是在传感器接收到的混合信号中恢复出统计独立的源信号。在微地震数据去噪中，通过盲源分离可以把原始数据中的微地震事件和干扰噪声分离出来。独立成分分析是一种常用的盲源分离方法，它是利用信号的独立统计特性，将其分解成若干个相互独立的成分，以此估计出原始信号的近似值[29, 64]。经过盲源分离后得到的有效信号的振幅、相位具有不确定性[65]，刁瑞等[66]提出了一种基于互相关法与粒子群最优化算法结合的盲源分离方案，实现了微地震有效事件与干扰噪声的高效准确分离。

1) 互相关函数滤波。由于微地震有效信号与随机干扰，以及随机干扰相互间的不相关性，它们之间的相关函数值接近零，而相邻道的微地震有效信号的相关函数值不为零，并存在最大值。故监测道上微地震信号的互相关函数与相邻道实测值的互相关函数近似相同[67]。互相关函数滤波可以衰减随机噪声，并且能够突出微地震信号的同相轴并确定其位置，提高数据信噪比[68-69]。但缺点是由于该方法基于统计规律，因而需要足够多的数据点进行运算，且在互相关处理中，参数的取值问题也会直接影响滤波效果[10]。

2) K-L变换滤波。K-L变换(Karhunen-Loeve transform)主要是依据微地震相邻道信号间的相干性差异实现数据去噪的。首先提取信号波形数据特征，然后保留与较大特征值相对应的微地震有效信号，去掉与较小特征值相对应的噪声干扰，并且重构微地震的原始信号，保留相关性较好的信号，由此实现去除随机噪声和相干噪声干扰的目的[70-71]。该方法对微地震数据中的线性干扰有一定的滤波效果，并且在微地震数据波形同相轴为水平的情况下，去噪效果更加明显。但传统的K-L变换不能用于去除具有周期性的噪声干扰，且由于其变换矩阵依赖于输入信号，故不易实现实时去噪[72]。

3) 自适应噪声抵消法。通过自适应滤波器，将自身的参数调整到对干扰噪声最准确的估计，然后根据估计值与微地震信号中噪声的相关性，从原始微地震数据中去掉该部分，从而恢复微地震数据中的有效部分。该方法克服了在微地震去噪过程中，由于未知微地震信号的统计矩或时变等原因而难以设计最佳抵消器的局限性[10]。

近年来，神经网络技术由于具有自适应性、自组织性、学习能力等优势[73]，而被广泛应用在油气勘探等方面。在常规地震数据处理中，应用神经网络技术能够更好地模拟或逼近地震资料和真实地质构造映像间的非线性关系[74]；类似于常规地震数据处理方法，在微地震数据处理中，通过设计并训练神经网络模型，使微地震资料和微地震事件监测[75]的准确度得到提高。

1) BP神经网络。反向传播(back propagation，BP)算法学习的多层前馈神经网络的应用最为普遍，即BP神经网络[73]。BP算法属于有监督学习，首先是将输入信号沿前向在各层神经元间传输产生了输出信号，然后通过误差(即实际输出值与期望输出值的差)的反向传播对权值进行调整，直至产生准确的输出结果[76]。

BP神经网络在应用于微地震数据处理时，可以将已知微地震数据中的有效部分和噪声干扰作为训练样本，迭代训练神经网络并调整权值以建立BP网络模型；然后将采集到的微地震数据作为输入信号，利用BP模型实现微地震数据的信噪分离，提高数据的信噪比。但BP神经网络会存在局部极小、迭代次数较多、收敛速度慢等问题，并且BP网络的学习能力不稳定，当训练样本(如噪声干扰的种类)增加时，网络模型要重新训练，因此还有待算法的进一步改进。

2) 聚类算法。有监督神经网络在油气开发中得到了广泛的应用，并且效果明显，但由于微地震数据中的已知样本较少，因此设计出分类器的准确性较低。采用非监督神经网络中的聚类算法能够较好地克服这种问题。聚类算法是依据某个特定的标准，将一组数据分成不同的类别，使处于同一类别中数据间的相似性尽可能大，处于不同类别中数据的相异性尽可能大[77-79]。

在使用聚类算法处理微地震数据时，可以根据数据中的波形或者其他信号特征，找到它们之间潜在的相互关系，将数据进行分类处理，从而实现微地震数据中有效部分和噪声干扰的分离。但聚类算法也存在一些弊端，如对孤立点较为敏感、初始聚类中心的选取问题等，因此在今后的研究中还需对该算法进行完善。

深度学习是近些年的一个新研究方向，它基于人工神经网络并在此基础上进一步发展，能够克服神经网络的一些缺陷，并取得了较好的结果。深度学习是一种具有多级表示的学习方法，它通过组合简单且非线性的模块获得，每一个模块都将一个层级上的表示(从原始输入开始)转换到一个更高级层级上的表示；因而深度学习与浅层学习相比，由于模型结构中具有更多的非线性操作的层级数，因此在学习表征复杂函数方面上的能力更强[80-81]。

深度学习现阶段在语音图像识别、人工智能、人机对弈等领域中取得了突破性进展。如2012年微软公开演示全自动同声传译系统[82]、2013年百度宣布成立百度研究院并将深度学习作为方向之一[82]、2014年Google通过建立更深层的模型使ImageNet的图像识别准确率达到93.3%[83]、从1997年的人机对弈系统“深蓝”到2016年的“AlphaGo”[84]等。由此可见，深度学习已经在该研究领域中占据了重要地位并且具有极大的发展空间。但由于深度的增加，也会导致非凸目标函数产生局部最优解的问题，目前解决这个问题的方式就是采用基于无监督学习的贪婪逐层预训练算法[85-86]。

典型的深度模型结构主要有卷积神经网络(convolutional neural network，CNN)、深度置信网络(deep belief network，DBN)和堆栈自编码网络(stacked auto-encoder network)[85]。

1) 卷积神经网络由卷积层和子抽样层组成，属于有监督学习。它的训练过程分为前向传播和反向传播两个阶段。卷积神经网络通过训练数据进行学习，能够间接地从训练数据中学习特征，而且由于同一特征的映射面具有相同的权值，因而可以共享学习[85-86]。

卷积神经网络特点在于直接用原始信号作为输入，无需传统识别算法中复杂的特征提取和信号重构等过程，并且通过权值共享实现权值数目的减少，从而降低网络模型的复杂性[87-89]。去噪卷积神经网络常应用在图像去噪问题中，是将卷积神经网络作为数据处理结构，从特定的噪声模型中合成训练样本[90]，通过卷积神经网络构造出含噪图像到去噪图像的非线性映射关系[91]。

2) 深度置信网络是由多个受限玻尔兹曼机堆叠而成的，它与传统人工神经网络的区别在于分为预训练和全局微调两个阶段。它的训练过程是采用了无监督的逐层贪婪训练方法，即先通过训练第一层的受限玻尔兹曼机，然后用产生的输出训练下一层的受限玻尔兹曼机，如此往复逐层训练网络，把训练好的受限玻尔兹曼机模型进行堆栈，利用增加层的方法提高模型性能[85-87, 92]。

深度置信网络的特点在于网络初始参数和微调过程是有监督学习的，因而采用这种训练方法能够避免陷入局部最小值的问题，并且该学习算法有效利用了未标记的数据，最深层隐藏变量数值计算效率高[93]。由于使用深度置信网络提取的特征一般表现在最后一层节点的权值上，因而在图像去噪过程中训练网络时，最后一层训练网络中的节点被分成两个不同的节点组，在检测到出现噪声的节点后，可以使噪声节点处于非活动状态并重建无噪声图像。

3) 堆栈自编码网络与深度置信网络类似，区别在于它是用自编码模型堆叠而成的[85]。自编码模型的输出目标就是它的输入，在预训练过程中，从低层开始逐层训练，将最小化其输出与输入间的误差作为目标。在全局微调中，将训练好的自动编码模型的参数作为堆栈自编码网络的初始参数，然后反向传播训练网络完成各层参数值的调整[86, 94-95]。

降噪自编码模型是自动编码器的一种变形，它避免了一般的自编码器可能会在学习中得到不具有编码功能的恒等函数，并且克服了样本数大于样本维数的限制要求，通过最小化降噪重构误差，实现了从含随机噪声的数据中重构真实原始输入数据的目的[85, 96]。

在今后的研究中，可以尝试将深度学习作为一种微地震数据去噪的新方法。监督性学习算法可以通过学习一个从含噪数据到去噪目标的映射关系，从而实现微地震数据去噪；非监督性学习可以对微地震数据进行建模分类，典型的方法之一就是聚类，根据数据间的相似度进行分类，以达到去噪的目的。同时深度学习在数据去噪中具有一定的理论支持，有待于进行实验仿真来验证该方法的可靠性。

目前，由于不同区块采集的微地震信号具有较大的差异性和复杂性，较难构建通用的深度学习准确模型，而且当前采集微地震数据不能很好地构建样本库，使得在训练网络模型时有效样本数量较少，这些都是深度学习未大规模应用在微地震数据去噪中的主要原因，目前也是许多研究人员正在研究的主要问题。为了解决这一问题，将尝试使用生成式对抗网络(generative adversarial networks，GAN)[97]等方法，利用网络模型中生成器能够学习真实数据样本分布并生成新数据的能力，将已有微地震信号作为真实数据输入，通过生成器学习其分布及判别器对生成数据和真实数据的判别，生成与真实数据具有相同分布情况的微地震数据样本库，以用于后续使用深度学习过程中模型的训练，从而使深度学习能够实现提高微地震数据信噪比的目的。

1) 微地震数据去噪是微地震监测技术中的关键一步，为此笔者对微地震噪声进行了分析，梳理了现阶段一些常用的地面微地震数据去噪方法并总结了各自的优缺点，这些去噪方法提高了微地震数据的信噪比，为后续的研究和解释奠定了基础。

2) 由于微地震信号受到的噪声干扰严重且噪声种类较多，目前的去噪方法中仍存在一些局限性，因此还有待进一步的完善和改进。

3) 本文提出了深度学习在微地震数据去噪中的研究展望，说明了目前深度学习无法广泛应用在微地震数据去噪中的原因，并提出尝试通过生成式对抗网络构建数据样本库的方法，使深度学习在今后的研究中能够作为一种新的微地震数据去噪方法。