北京市石油大学、北京大学以及其他单位的研究团队开发了一种新的地震噪声压制方法。这个方法基于无监督学习和相似性度量技术，首次给石油物探带来了革命性的突破。这个成果在1962年创刊、被Scopus等数据库收录的权威期刊《石油物探》上发表。这标志着我国在地球物理勘探与人工智能交叉领域取得了重大突破。这个研究通过解决地震勘探中的核心难题，给油气勘探注入了新的动力。地震勘探是油气资源探测的重要手段，但采集到的数据常被外部干扰源造成的相干噪声掩盖。这些噪声来自地表环境和人为活动等多种因素，影响后续数据处理和地质解释的准确性。传统的噪声压制方法如FK滤波、KL滤波及相似性度量方法，要么需要大量真实标签数据进行训练，要么在复杂场景中效果不佳。这个新方法把无监督学习与相似性度量结合起来，不再依赖真实标签数据进行训练。这有效地解决了野外地震数据采集过程中缺少训练数据、标注成本高和难度大的行业痛点。通过合成数据和实际勘探数据的验证，该方法在去噪效果和信号保留能力上显著优于传统方法。这个创新成果对油气勘探行业带来了多重利好：降低成本和提升效率。传统方法需要大量人力物力进行标注和处理工作，而这个新方法减少了这些前置环节。在复杂地形和偏远地区项目中可以节省时间和降低成本。二是提高勘探精度和降低风险。高质量去噪可以保留更多有效地质信息帮助工程师更好地识别地下结构和特征。这减少了因噪声干扰导致的误判，提高勘探成功率。无监督学习特性使这个方法适用于各类场景下快速推广应用。无论是陆地还是海上油气勘探项目都能发挥稳定效果。此次研究成果发表不仅提供全新技术路径还给行业带来深远影响：推动了无监督学习与地震勘探技术融合填补技术空白引领我国智能化高效化精准化发展方向，增强自主话语权在能源安全背景下意义重大。中国石油大学（北京）、北京大学等单位联合研究彰显科研实力培养交叉领域人才提升《石油物探》期刊学术影响力。