【目的】地震资料中的噪声严重影响着对地下地层信息的准确解释。基于地震资料中横向相关性较强的有效信号在Curvelet域分布在特定系数上，而随机噪声在Curvelet域通常会均匀分布于所有系数，可对信号进行更有效的分离。【方法】基于注意力机制卷积神经网络能够聚焦图像的重要特征，自适应提取关键信息的特点，提出一种基于Curvelet变换和注意力机制卷积神经网络(Curvelet-AU-Net)的地震数据噪声衰减方法。首先，将含噪声的地震数据通过Curvelet变换得到Curvelet变换系数，分析有效信号和噪声在Curvelet域的分布情况。其次，使用加入CBAM注意力机制的U-Net网络，以含噪地震数据的Curvelet变换系数制作训练集作为输入数据，用无噪地震数据的Curvelet变换系数作为标签，通过比较实际输出与标签的损失函数值，并逐层反向传播梯度来更新网络参数，当损失函数值达到最小时，网络训练完成。最后，将测试数据输入训练好的网络模型中，再对网络输出数据进行Curvelet反变换即可得到地震数据去噪结果。【结果和结论】模拟数据与实际数据处理结果表明，与传统方法和普通卷积网络相比，该方法在不同噪声水平和尺度条件下对常见噪声(如随机噪声等)的衰减效果更优，获得的地震信号信噪比和保真度更高。由于该方法融合了Curvelet变换的稀疏表示优势和深度学习模型的自适应性，将为地震数据噪声衰减提供一种新的解决途径。