چکیده: تضعیف نوفه از داده‌های لرزه‌ای یکی از مراحل مهم در پردازش می باشد که در تفسیر بهتر و صحت نتایج بدست آمده مؤثر است و سبب دسترسی به نتایج با اطمینان بالاتر و دقیق تر می شود. در داده‌های لرزه‌ای خشکی و دریایی انواع نوفه ها وجود دارند. یکی از نوفه های موجود در داده‌های لرزه‌ای دریایی نوفه سُوِل می باشد که دارای دامنه‌ی بالا و فرکانس پایین است و در داده‌های لرزه‌ای دریایی به صورت نوار های عمودی مشاهده می شود. توسعه روش‌هایی که بتواند به صورت بهینه باعث تضعیف نوفه سُوِل همراه با کمترین میزان آسیب به سیگنال در داده‌های لرزه‌ای دریایی شود، ضروری به نظر می رسد. روش‌های مختلفی برای تضعیف نوفه سُوِل نظیر فیلتر FX ، فیلتر میانه ، فیلتر زمان فرکانس، فیلتر پیش بینی وینر و فیلتر باندگذر، آستانه گذاری و رویکرد مجهز به مدل یادگیری عمیق انجام شده است. در این پایان نامه از روش تجزیه مد برای تضعیف نوفه سُوِل استفاده می-شود. روش‌های تجزیه مد شامل روش‌های تجزیه مد تجربی و متغیر هستند. با توجه به این که این روش ها قادر هستند سیگنال را به مولفه های سازنده ش تجزیه کنند، این امکان را فراهم می کند که هرگونه فرایند فیلترکردن بر روی مد های سازنده انجام شود. با توجه به ماهیت نوفه سُوِل که شامل باند فرکانسی مشخص می-باشد. این نوفه بر روی یک یا چند مد قابل مشاهده خواهد بود و با توجه به این موضوع می توان با استفاده از روش‌های تجزیه مد آن را فیلترکرد. در این پایان نامه عملکرد روش‌های تجزیه مد تجربی و متغیر در فیلتر کردن نوفه سُوِل بر روی داده‌های مصنوعی و واقعی بررسی شده است که نتایج قابل قبولی بدست آمده است.