【目的】能源勘探领域长期面临非均一地震数据插值的难题。由于检波器无法精确放置在理论网格点,现有均一插值技术常导致结果存在偏差和细节失真。【方法】为解决此问题,提出一种基于扩散概率模型的非均一插值新方法。扩散概率模型是一种新兴的生成式深度学习模型，分为扩散和生成两个过程。在扩散过程中，对完整地震数据迭代施加噪声，训练神经网络的去噪能力。在生成过程中，使用神经网络对噪声数据迭代去噪，得到重构数据。本文利用插值算子计算迭代数据与采集数据的偏差，作为神经网络的额外输入，提高扩散概率模型的非均一插值能力。在数值实验部分，使用二维合成数据集与实际数据集对非均一采样进行了测试，并使用均一插值模型与本文所提模型进行比较。【结果与结论】结果表明该方法显著提升了扩散概率模型对非均一采样的处理能力，在合成数据与实际数据测试中，信噪比大约提高了7 dB，有效提高了深度学习方法对非均一插值的精度，为非均一地震数据插值算法提供了新的思路。