地球物理通過觀測數據去探測不同尺度的未知地質目標。
對於絕大多數地球物理方法而言，探測目標的特徵屬性和觀測數據之間並不存在線性的對應關係，而是一種非線性的映射。
因而，轉換並解釋地球物理數據一直是地球物理面臨的難題。
雖然數學和計算技術發展提高了地球物理數據的轉換或反演精度，使解釋模型的正演結果能夠更高精度地擬合觀測數據，但難以在本質上突破非線性映射的局限。
另一方面，地球物理數據每時每刻都在海量增長，依託傳統的人工甄選和提取數據已變得越來越不現實，這為機器智能在地球物理中推廣應用帶來了全新的機遇。如何提高地球物理數據處理效率和準確度是地球物理普遍關心的問題。
而由於神經活動能夠通過學習和記憶快速對複雜事件作出簡單的邏輯判斷，早在上世紀40年代，來自伊利諾伊大學Mc Clloch和芝加哥大學Pitts基於數學和一種稱為閾值邏輯的算法創造了一種神經網絡的計算模型（McCulloch and Pitts,1943),並由此開創了人工神經網絡（常被簡稱為神經網絡）學科。
由於多層神經網絡訓練的可能性在60年代被否定，神經網絡領域的研究在70年代基本處於停滯狀態。
直到80年代，反向傳播算法的提取開啟了神經網絡的第二次研究高潮。
人工神經網絡是一類優勢突出的非線性動力學系統,能高度並行處理模擬的、模糊的和隨機的信息，求滿意解而不是精確解，具有自組織和自學習的能力。
與傳統地球物理數據處理方法相比，神經網絡的優勢在於不需要對收集到的信息進行限制，也不需要對映射進行先驗限制，只要網絡經過訓練就可以直接從數據得到我們感興趣的信息。
其中，如今廣泛應用於深度神經網絡結構的卷積神經網絡（CNN）思想則源自於上世紀60年代，1990年LeCun等人提出用卷積核來提取圖像特徵從而減少網絡計算量，之後在1998年正式提出卷積神經網絡這一概念。
2006年，Hinton和Salkhutdinov解決了傳統方法深層神經網絡難以訓練的困難,開啟了深度學習的新時代。
由於卷積神經網絡的飛速發展，已在各個行業廣泛應用，在地球物理中的應用也已從地震勘探拓展到地球電磁學和位場方法等多個領域。
先從卷積神經網絡在地震勘探領域中的應用談起。自20世紀40年代以來，地震勘探一直是勘探地球物理的主戰場，也是現代科技試驗田和前沿陣地。
在1991年SEG年會上，神經網絡更是被列為「90年代技術突破」四類新興技術之一。
經過30年的發展，以卷積神經網絡為代表的神經網絡已在地震勘探廣泛應用，在初至拾取與結構識別2個方面發展相對完善。
一、在初至拾取中的應用研究
初至拾取是估計地震事件位置及層析成像或矩張量反演等其他工作流程所必需的先期工作,本質上是一個模式識別過程，人工識別初至需耗費大量人力和時間，隨著地震數據的大量生成和積累，人工拾取已無法完成，因此許多學者不斷地探索自動化拾取初至的方法。
Murat等首次將人工神經網絡成功地應用於噪聲背景下的初至波提取。
首先選取一個窗口來計算初至波(FB)的屬性或特徵(例如STA/LTA比和自回歸係數;方差,偏度和峰度;幅度,相位和頻率),再將這些屬性作為ANN的輸入,神經網絡便可通過屬性進行分類。
此後人工神經網絡甚至卷積網絡在初至拾取的有效性被多個團隊所驗證。神經網絡的優勢在於一旦訓練完成，處理效率相較於人工處理有極大提高。McCormack等發現訓練好的網絡三維數據集拾取效率相較人工拾取提高了8倍。
在這兩位學者之後，相關研究主要基於2個方面：提高神經網絡的訓練和處理速度與拾取準確度。訓練速度方面，利用邏輯模糊網絡能保證不損失準確度的同時提升訓練速度。
Kahrizi等發現在準確度上MLP（多層感知器）表現出色，但在訓練速度上RBF（徑向基）神經網絡更有優勢。
準確度方面，Yuan等與Duan等指出前人對於地震相拾取的研究都是基於單道的，利用卷積神經網絡我們可進行多道數據分析；
Zhe等利用級聯算法拾取地震初至，級聯算法的優勢在於其收斂速度快且不需要調整網絡結構。
Maity等人設計了一種新的混合自動拾取網絡結構，發現神經網絡在低信噪比情況下，表現比其他方法更穩定。
二、基於圖像處理的地下結構識別
從地震圖像中圈定斷層是地震構造解釋、儲層描述和布井的關鍵步驟。
地球科學家通常用一個或多個地震屬性來判斷三維地震圖像中的斷層，若所用屬性不能很好地將斷層與周圍非斷層區域區分開來，有可能導致錯誤解釋結果。
卷積神經網絡的優勢在於無需選擇地震屬性，直接建立原始地震信號與斷層分布之間的映射，並且隨著數據增多，CNN對噪聲和不同模式的斷層識別能力會越來越強。
Wu等提出一種基於卷積神經網絡二維地震圖像的斷層自動解釋方法。對於同一地震圖像相比於常規方法的結果，CNN能夠給出更清晰、更連續斷層的特徵，甚至在更複雜的情況下，CNN仍然能夠很好地預測斷層分布。
Di等利用CNN原始疊後地震振幅建立地震信號與斷層分布之間的映射關係，並將CNN與其他方法進行對比。
結果表明，CNN的分類結果最接近手動解釋結果。Guitton等設計了一個3D卷積神經網絡（3DCNN），它在自動估計地震體特徵方面非常有效，可幫助完成分類任務。
前人已證明CNN在斷層特徵識別的有效性。為提升網絡性能，Shi等在每次卷積後都對結果進行正則化處理;Wu等採用U型網絡實現三維地震圖像的斷層識別，並使用了二元交叉熵損失函數平衡實際地震數據中0（非斷層）和1（斷層）之間的高度不平衡，這樣能使網絡對有斷層的地震數據更為敏感。
隨著地震數據的增長，需要新的平台對數據進行管理。
而Huang等建立了一個基於雲的地震數據分析平台，該平台可管理地震數據、計算地震屬性、進行特徵提取和選擇，並應用深度學習軟體包（TensorFlow和Caffe）來推斷地下結構特徵，為進一步工作打下堅實基礎。
儘管CNN能夠有效地從原始地震數據中識別斷層，但離實際應用還有一定距離，仍需要評估已訓練模型的有效性。
因此Shi等指出，今後可利用貝葉斯分割網絡(Bayesian Segnet)對模型的不確定性進行評估以提高推斷地下結構的可信度。
綜上小結，以卷積神經網絡為代表的神經網絡在地震勘探中的應用研究趨於成熟，並可以見得它發揮出了顯著的優勢。
而相對於地震勘探領域而言，重磁電（重力、磁法和電法）領域面對的數學物理問題更為複雜，方法種類和成果圖像也有更多的不確定性。
因而雖然神經網絡在非地震勘探中發展歷程和地震相似，但進展更為緩慢，還有很大的拓展空間。
Ucan et al(2002)首次將遺傳細胞神經網絡（GCNN）應用於磁異常分離中。Elawadi et al(2001）利用反向傳播神經網絡估計微重力數據探測空美國Medford洞穴腔中心的深度，估算參數與鑽探證實吻合良好。
Osman et al(2006）提出了利用神經網絡確定引起重力異常的地下結構參數的方法。
Albora等人（2001）、劉展等人（2010）將細胞神經網絡（CNN）這一現代圖像處理技術應用於合成的布格異常圖，實例測試了卷積神經網絡的性能，其結果與鑽井記錄相吻合。
神經網絡在地電學的應用主要分為兩方面：大地電磁測深時間序列處理和電導率模型反演。Carlos和Mrinal K.Sen在2000年提出用一個兩層的前饋神經網絡學習一維垂直電測深數據與地下電導率模型的映射。
Singh等人（2010）用神經網絡來學習合成的二維電阻率數據，將其運用於野外的垂直電阻率測深中發現人工神經網絡方法得到的深度和電阻率結構與已知的鑽井結果和地質邊界有很好的相關性。
相比於傳統的方法，人工神經網絡更加快速且穩定。
與此同時，神經網絡在大地電磁反演也有成功的應用。Poulton等人（1992）利用神經網絡對目標的電磁橢圓度圖像進行偏移量、深度和導電面積積的估計。
Hidalgo等人（1994）首次提出用神經網絡學習一維MT模型映射，結果表明對於最複雜的一維MT曲線形式（H型）。
神經網絡反演速度快，反演精度高，但是在實際解釋中沒有先驗信息如何去選擇合適的訓練過的神經網絡依然是一個難題。
Shimelevich等人（2019）評估了神經網絡在三維地電反演中的表現，認為神經網絡不依賴於所應用的反演方法的模糊度（誤差）的估計，可以計算得到反問題的近似解，但是反演精度不盡人意。
此外神經網絡還能識別大地電磁時間序列剔除其中的噪聲。電導率結果的可靠性主要取決於電磁場數據的噪聲量。如果採用人工處理的方法需要觀察時間序列然後手動刪除異常數據，這需要大量的時間和人力。
為了解決這一問題，Manoj和Nagarajian(2003）提出利用人工神經網絡來實現電場測深數據時間序列自動化編輯，但電磁噪聲可能不符合正態分布。
為了解決這一問題學者們不斷地提出許多人為消除電磁干擾的方法，在時間域和頻域中採用了交替加權估計，從而消除了兩個域中異常值的影響。Varentsov(2003）等人還提出了一種估計多個台站同時觀測的電磁傳遞函數的快速魯棒算法。
顯然，目前神經網絡在地球物理領域中的研究取得了一定的成效，但也需承認它的局限性。
例如人們測量的物理場數據都是基於特定的觀測參數,在對數據處理時,傳統的地球物理方法可以添加先驗信息來限制多解性,但是目前在神經網絡算法中,如何解決該問題還存在著討論，這些有待我們後來者去做進一步探索。