چکیده: حضور نوفه در داده‌های لرزه‌ای بازتابی موجب تخریب داده و در نتیجه موجب عدم دقت در مدل‌سازی زیر سطحی می‌شود. دسته مهمی از عوامل ناخواسته و مخرب در داده‌های لرزه‌ای، نوفه‌های تصادفی هستند. نوفه‌های تصادفی در هر زمان و فرکانسی ظاهر شده و هیچگونه نظمی ندارند. با توجه به نقش مخرب نوفه‌های تصادفی، اثرات مخرب آن‌ها با کمک فیلتر انتشار ناهمسانگرد چند مقیاسی نوفه‌مبنا از روی داده پاک‌سازی شد. فیلتر‌های ناهمسانگرد با بهره‌گیری از تانسور انتشار می‌توانند هموارسازی را در جهت حفظ ساختار‌ها انجام دهند. فیلتر انتشار ناهمسانگرد نوفه‌مبنا با بهره‌گیری از یک فیلتر گاوسی در الگوریتم خود، با ایجاد پنجره‌هایی با ابعاد مشخص، کیفیت داده و میزان نوفه آغشته به آن را بررسی می‌کند و با توجه به شرایط داده، بهترین تابع انتشار را جهت انجام نوفه‌زدایی مشخص می‌کند که فرآیند انتشار و نوفه زدایی با کمک این تابع صورت می‌پذیرد. با تخمین تابع انتشار، پارامترهای دیگر به صورت خودکار توسط فیلتر انتخاب می‌شود. در این پایان نامه به جهت درک بهتر و میزان تاثیر هر یک از پارامترها بر نتایج، طیف مختلفی از اعداد برای این پارامترها مورد آزمون و ارزیابی قرار گرفت و میزان نوفه زدایی با مقادیر مختلفی از این پارامترها با یکدیگر مقایسه شد. به جهت رسیدن به نتایج مطلوب، با اعمال الگوریتم تبدیل موجک، می‌توان فیلتر انتشار ناهمسانگرد اشاره شده را چندمقیاسی کرد. فیلتر انتشار چندمقیاسی نوفه‌مبنا ابتدا با کمک تبدیل موجک، داده را به مولفه‌های مختلف در مقیاس‌های گوناگون تجزیه می‌کند و سپس با اعمال فیلتر انتشار نوفه‌مبنا بر روی هر یک از این مقیاس‌ها، اقدام به تضعیف نوفه‌های تصادفی می‌کند. در این پایان نامه ابتدا فیلتر انتشار ناهمسانگرد نوفه‌مبنا بر داده مصنوعی و واقعی اعمال شد و بر خلاف پیش بینی‌ها، نتایج مطلوبی به ثبت نرسید و این فیلتر در بهبود نتایج، در مقایسه با سایر فیلترهای انتشار ناموفق بود. در ادامه و به جهت رسیدن به نتایج بهتر، فیلتری با رویکرد چندمقیاسی بر روی داده مصنوعی و طبیعی اعمال شد. استفاده از این فیلتر، در مقایسه با دیگر روش‌های تضعیف نوفه به کمک فیلتر انتشار، موجب افزایش چشمگیر نسبت سیگنال به نوفه و حفظ لبه‌ها و مرز ساختارها شد.