一直以来，多次波的压制都是地震资料处理过程中的重点和难点。目前，工业中普遍应用的多次波压制方法主要分为两类：一类利用多次波与一次波的特征与性质差异的滤波法。另一类则基于波动方程的预测相减法。前者的计算成本低，能够应对构造较为简单的地震资料，而后者则能够应对复杂构造的地震数据。预测相减法压制自由表面多次波和层间多次波分为预测和匹配相减两个步骤，其中自适应匹配相减是一个非常关键的环节。通常，传统方法通过求取滤波算子，将预测多次波模型和原始数据进行匹配。为了在多次波的压制和有效波的保护之间取得平衡，本文提出了一种基于卷积神经网络（CNN）的多次波自适应相减算法。在将预测多次波模型整体作为CNN的输入，原始含多次波数据作为网络的“标签”之后，CNN输出的结果能够更好的匹配原始数据。本文将先对基于CNN的多次波自适应匹配相减方法的原理进行说明，然后分别将该方法应用于表面多次波和层间多次波的压制之中，并和传统方法进行对比。从合成数据的处理结果来看，相较于传统的L1范数或L2范数方法，基于CNN的方法计算成本更低，匹配相减后得到的一次波的信噪比也更高，Pluto模型和实验室模型数据的测试也表明，该方法能够有效地压制地震数据中的多次波。

自适应匹配相减，表面多次波，层间多次波，卷积神经网络