反褶积（Deconvolution or inverse flitering 缩写Dec）作为地震资料处理的三大关键技术之一,在整个处理过程中起着十分重要的作用。反褶积就是反滤波，它可以用于叠前资料处理，也可以用于叠后资料处理，最常见的反褶积方法有：脉冲反褶积、预测反褶积、最小平方反褶积等。反褶积结果与所采用的方法及其假设条件息息相关,通常我们都是假设地震子波为最小相位的,而在实际地震勘探中,震源所激发的子波在经过大地滤波作用后一般都是混合相位的,那么在求取反褶积算子以及应用反褶积时就会出现问题,反褶积的结果可能出现较大的差异甚至是错误的结果。所以,对于混合相位的地震记录的反褶积方法的研究一直受到人们的重视。为了实现了多道统计脉冲反褶积的算法,针对脉冲反褶积仅适用于最小相位地震记录,设计了适应混合相位地震记录的子波反褶积方法。子波反褶积对各种地震记录的运用效果直接取决于求取的子波准确与否。运用多道统计希尔伯特变换法提取子波,该方法理论上仅适用于提取最小相位记录的子波,为了适应混合相位地震记录,采用指数衰减的方法使地震记录段最小相位化,再对求取的子波进行反向指数加权;同时用多道统计估算子波的振幅谱,相比单道估算,更能消除面波及高频噪音的干扰,有利于得到更准确的振幅谱,从而提取出符合实际记录的子波。理论模型数据和实际数据显示子波反褶积比脉冲反褶积更优越,前者适应性强,处理的结果更令人满意。
维纳滤波器（Wiener filter）是由数学家维纳（Rorbert Wiener）提出的一种以最小平方为最优准则的线性滤波器。在一定的约束条件下，其输出与一给定函数（通常称为期望输出）的差的平方达到最小，
通过数学运算最终可变为一个托布利兹方程的求解问题。维纳滤波器又被称为最小二乘滤波器或最小平方滤波器，目前是基本的滤波方法之一。维纳滤波是利用平稳随机过程的相关特性和频谱特性对混有噪声的信号进行滤波的方法，1942年美国科学家N.维纳为解决对空射击的控制问题所建立，是40年代在线性滤波理论方面所取得的最重要的成果。维纳滤波从连续的(或离散的)输入数据中滤除噪声和干扰以提取有用信息的过程称为滤波，而相应的装置称为滤波器。根据滤波器的输出是否为输入的线性函数，可将它分为线性滤波器和非线性滤波器两种。滤波器研究的一个基本课题就是：如何设计和制造最佳的或最优的滤波器。所谓最佳滤波器是指能够根据某一最佳准则进行滤波的滤波器。
20世纪40年代，维纳奠定了关于最佳滤波器研究的基础。即假定线性滤波器的输入为有用信号和噪声之和，两者均为广义平稳过程且知它们的二阶统计特性，维纳根据最小均方误差准则(滤波器的输出信号与需要信号之差的均方值最小)，求得了最佳线性滤波器的参数，这种滤波器被称为维纳滤波器。在维纳研究的基础上，人们还根据最大输出信噪比准则、统计检测准则以及其他最佳准则求得的最佳线性滤波器。实际上，在一定条件下，这些最佳滤波器与维纳滤波器是等价的。因而，讨论线性滤波器时，一般均以维纳滤波器作为参考。
信号波形从被噪声污染中恢复称为滤波。这是信号处理中经常采用的主要方法之一，具有十分重要的应用价值。常用的滤波器是采用
电感、电容等分立元件构成，如RC低通滤波器、LC谐振回路等。但对于混在随机信号中的噪声滤波，这些简单的电路就不是最佳滤波器，这是因为信号与噪声均可能具有连续的功率谱。不管滤波器具有什么样的频率响应，均不可能做到噪声完全滤掉，信号波形的不失真。因此，需要寻找一种使误差最小的最滤波方法，又称为最佳滤波准则。
从噪声中提取信号波形的各种估计方法中，维纳（Wiener）滤波是一种最基本的方法，适用于需要从噪声中分离出的有用信号是整个信号（波形），而不只是它的几个参量。其基本依据就是最小均方误差准则。
设维纳滤波器的输入为含噪声的随机信号。期望输出与实际输出之间的差值为误差，对该误差求均方，即为均方误差。因此均方误差越小，噪声滤除效果就越好。为使均方误差最小，关键在于求冲激响应。如果能够满足维纳－霍夫方程，就可使维纳滤波器达到最佳。根据维纳－霍夫方程，最佳维纳滤波器的冲激响应，完全由输入自相关函数以及输入与期望输出的互相关函数所决定。
其维纳滤波矩阵
rr
bb是地震子波的自相关
r
bb（m）是地震子波延迟
db是期望输出脉冲与地震子波的互相关
a
（n）反滤波因子
维纳滤波器的优点是适应面较广，无论平稳随机过程是连续的还是离散的，是标量的还是向量的，都可应用。对某些问题，还可求出滤波器传递函数的显式解，并进而采用由简单的物理元件组成的网络构成维纳滤波器。维纳滤波器的缺点是，要求得到半无限时间区间内的全部观察数据的条件很难满足，同时它也不能用于噪声为非平稳的随机过程的情况，对于向量情况应用也不方便。实现维纳滤波的要求是：①输入过程是广义平稳的；②输入过程的统计特性是已知的。因此，维纳滤波在实际问题中应用不多。
因篇幅问题不能全部显示，请点此查看更多更全内容