石油天然气作为我国重要的能源在各行各业都起到不可或缺的作用。地震勘探是油气资源探查的有效手段,受到地震勘探采集环境和采集仪器的影响,采集到的地震勘探数据往往带有大量的随机噪声,这些随机噪声湮灭了有效信号,降低了地震勘探数据的质量。沙漠地区采集的地震勘探数据中随机噪声不同于其他采集地区的随机噪声,往往具有非高斯、非平稳、非线性,与有效信号弱相似的特性,这些特性给沙漠地震勘探数据的噪声压制带来了挑战。因此,研究沙漠地震随机噪声压制并恢复有效信号结构信息的方法,对于提高沙漠地区地震数据质量进而提高油气资源探查的精度具有重要意义。卷积神经网络（CNN）以其强大的特征提取能力被广泛应用于地震勘探随机噪声的压制。去噪卷积神经网络利用大型数据集训练网络参数,得到从含噪数据到纯净信号的映射。网络训练完成后,卷积神经网络能够自适应完成去噪任务而不需要信号和噪声的先验知识,也不需要设置最优参数。然而,基于判别式学习的去噪卷积神经网络缺乏灵活性,沙漠地震随机噪声复杂的性质增加了卷积神经网络提取特征的难度,导致卷积神经网络难以控制噪声压制和信号保真之间的平衡。为了有效地压制沙漠地震随机噪声,本文在卷积神经网络的网络结构和学习方式上进行了优化。本文提出了一种带有分支结构的卷积神经网络（BCDNet）,增强从沙漠地震勘探数据中提取有效信号特征的能力,从而更好地恢复被沙漠地震随机噪声污染的地震同相轴。BCDNet包含主网络和分支网络,主网络用于压制沙漠地震噪声,分支网络在去噪之前从含噪数据中学习有效信号的上下文特征,与含噪数据合并指导后续主网络的去噪任务,从而使主网络更好地从含噪数据中提取有效信号的特征,有效地实现了复杂沙漠地震随机噪声的压制。此外,本文构建了适用于压制复杂沙漠地震随机噪声的数据集。合成沙漠地震数据和野外实际沙漠地震数据的去噪结果不仅表明了本文提出的BCDNet在沙漠地震随机噪声压制方面的有效性,而且在网络训练时间和GPU内存资源的占用方面依然具有竞争力。去噪卷积神经网络判别式学习方式去只能处理特定噪声水平的噪声,对噪声水平时空变化的沙漠地震噪声很难获得好的降噪效果,利用估计的噪声水平图指导去噪卷积神经网络能够有效改善非平稳随机噪声的压制效果。然而,卷积神经网络去噪结果对噪声水平的高估计误差具有一定的鲁棒性,而对噪声水平的低估计误差更敏感。为了处理非平稳的沙漠地震噪声并减弱去噪结果对噪声水平估计误差的不对称敏感性,本文提出了一种基于非对称学习的分支去噪卷积神经网络（AL-BCDNet）,提升对非平稳沙漠随机噪声的降噪能力。AL-BCDNet在去噪卷积神经网络的基础上构建噪声水平估计子网络,噪声水平估计子网络可以从含噪数据中学习噪声水平图作为权重控制去噪主网络控制噪声压制和信号保真之间的平衡。并且采用非对称学习的方式训练噪声水平估计子网络参数,对噪声水平的低估计误差施加更大的惩罚,解决了噪声水平过低估计造成的噪声残留问题。合成沙漠地震数据和野外实际沙漠地震数据的处理结果验证了非对称学习可以提高噪声水平图估计的准确性,从而促进AL-BCDNet在有效压制非平稳沙漠地震噪声的同时保留有效信号。