波动方程反演充分利用地震波的运动学和动力学特征,是获取地下介质参数的重要手段之一。地震波全波形反演将模拟数据与实际观测数据进行最优匹配从而对地下介质参数进行建模。然而,由于反演问题解的不适定性以及反演问题的强非线性,通常需要对方程线性化以利求解,常规的正则化方法以牺牲精度换取稳定性,而且也并非总能得到数值稳定的解,因此,提高地震波全波形反演的精度仍具有重要的实际意义。本文从提高正反演结果精度的角度出发,研究了针对声波波动方程的高精度正反演方法,结合当前热门的科学机器学习技术,提出了智能化波动方程正反演策略与方法。正演数值模拟是获取地震模拟数据的重要途径,其结果的准确性直接影响到后续反演的精度。在声波有限差分正演领域,首先研究了时间高阶有限差分、混合波数空间域有限差分、以及中心紧致有限差分三种高精度方法。随后,引入科学机器学习方法,将波动方程的求解过程过渡为神经网络的训练过程,通过搭建物理感知的神经网络结构,充分利用神经网络自动微分技术构造波动方程形式,将波动方程残差引入到训练数据的损失函数中,通过极小化损失函数最终得到波动方程的解。实际算例表明,基于神经网络的智能化正演方法可以明显提高数值模拟精度。在反演部分,首先研究了时间域和频率域的全波形反演方法,在传统波形反演只对正演波场和观测波场作最优匹配的基础上,基于波场重建的波形反演方法将波动方程引入到目标函数中,重构数据增强的地震波场以满足新的目标函数。重构的地震波场包含了模型更新的所有必要信息,因此不再需要计算伴随波场。模型算例表明,波场重建反演可以有效解决缺乏低频信息的初始模型反演问题,有效避免了“周波跳跃”现象。基于该思想,研究发展了基于物理感知神经网络的地震速度反演方法,与正演神经网络结构不同,反演网络增加了一套速度生成网络,并且在损失函数中引入速度残差信息,最终优化损失函数得到同时满足波动方程和标签数据的地震速度模型。模型算例表明,基于神经网络的全局优化算法可以获得精度更高的反演结果。进一步地,为了解决单一神经网络反演的计算效率问题,本文最后提出联合反演策略,充分利用神经网络的全局优化优势和传统全波形反演的高效率特性,将神经网络的早期反演结果作为传统波形反演的初始模型,进而由传统反演方法完成后续反演工作。二维复杂模型算例表明,联合反演策略不仅在精度上优于传统反演方法,而且计算效率也比单一的神经网络反演方法更高。