Migration velocity analysis (MVA) has been widely used for large scale model construction. To make full use of the wavefield information and obtain stable inversion results, wave-equation-based methods, such as differential semblance optimisation (DSO) or travel-time tomography, become popular in recent years. Compared with traditional ray-based methods, wave-equation-based methods are intrinsically more robust, which can accurately describe subsurface wave phenomenon and thus solve multipathing problem occurred in ray-based methods especially in dramatically lateral variation areas. Although robust for wave-equation-based methods, the inversion results can be severely affected by spurious oscillations, such as migration smile, due to uneven illumination and limited geometry observations. To eliminate those artefacts and improve imaging and inversion results, we introduce a new asymptotic inversion method in subsurface offset domain based on two-way wave equation. The new method, derived from the generalised Radon transform, introduces a new weighting function which can be treated as an approximate inverse under the assumption of high-frequency approximation. By applying the new weighting function to the practical applications, the imaging artefacts can be significantly attenuated. Furthermore, we extend the new method to DSO with a new form of velocity inversion expressions. We also give three numerical examples to illustrate the effectiveness of the method. It appears smooth and is free of artefacts both in gradients and imaging results, which leads to stable imaging and reliable model update.

迁移速度分析（MVA）已广泛用于大规模模型构建。为了充分利用波场信息并获得稳定的反演结果，近年来，基于波方程的方法，例如差分相似性优化（DSO）或行进时间层析成像技术，变得越来越流行。与传统的基于射线的方法相比，基于波方程的方法本质上更健壮，可以准确地描述地下波现象，从而解决了基于射线的方法（尤其是在横向变化较大的区域）中发生的多路径问题。尽管对于基于波方程的方法很健壮，但由于照明不均和有限的几何观察，反演结果可能会受到杂散振荡（例如迁移微笑）的严重影响。为了消除这些伪影并改善成像和反演结果，我们在地下偏移域中基于双向波动方程引入了一种新的渐近反演方法。从广义Radon变换派生的新方法引入了新的加权函数，在高频近似的假设下，可以将其视为近似逆。通过将新的加权函数应用于实际应用，可以大大降低成像伪像。此外，我们将这种新方法扩展为具有新形式的速度反演表达式的DSO。我们还给出了三个数值示例来说明该方法的有效性。它看起来很平滑，并且在梯度和成像结果中都没有伪像，从而可以实现稳定的成像和可靠的模型更新。引入了一种基于双向波动方程的地下偏移域渐近反演方法。从广义Radon变换派生的新方法引入了新的加权函数，在高频近似的假设下，可以将其视为近似逆。通过将新的加权函数应用于实际应用，可以大大降低成像伪像。此外，我们将这种新方法扩展为具有新形式的速度反演表达式的DSO。我们还给出了三个数值示例来说明该方法的有效性。它看起来很平滑，并且在梯度和成像结果中都没有伪像，从而可以实现稳定的成像和可靠的模型更新。我们引入了一种基于双向波动方程的地下偏移域渐近反演方法。从广义Radon变换派生的新方法引入了新的加权函数，在高频近似的假设下，可以将其视为近似逆。通过将新的加权函数应用于实际应用，可以大大降低成像伪像。此外，我们将这种新方法扩展为具有新形式的速度反演表达式的DSO。我们还给出了三个数值示例来说明该方法的有效性。它看起来很平滑，并且在梯度和成像结果中都没有伪像，从而可以实现稳定的成像和可靠的模型更新。从广义Radon变换派生而来，引入了新的加权函数，在高频近似的假设下，可以将其视为近似逆。通过将新的加权函数应用于实际应用，可以大大降低成像伪像。此外，我们将这种新方法扩展为具有新形式的速度反演表达式的DSO。我们还给出了三个数值示例来说明该方法的有效性。它看起来很平滑，并且在梯度和成像结果中都没有伪像，从而可以实现稳定的成像和可靠的模型更新。从广义Radon变换派生而来，引入了新的加权函数，在高频近似的假设下，可以将其视为近似逆。通过将新的加权函数应用于实际应用，可以大大降低成像伪像。此外，我们将这种新方法扩展为具有新形式的速度反演表达式的DSO。我们还给出了三个数值示例来说明该方法的有效性。它看起来很平滑，并且在梯度和成像结果中都没有伪像，从而可以实现稳定的成像和可靠的模型更新。通过将新的加权函数应用于实际应用，可以大大降低成像伪像。此外，我们将这种新方法扩展为具有新形式的速度反演表达式的DSO。我们还给出了三个数值示例来说明该方法的有效性。它看起来很平滑，并且在梯度和成像结果中都没有伪像，从而可以实现稳定的成像和可靠的模型更新。通过将新的加权函数应用于实际应用，可以大大降低成像伪像。此外，我们将这种新方法扩展为具有新形式的速度反演表达式的DSO。我们还给出了三个数值示例来说明该方法的有效性。它看起来很平滑，并且在梯度和成像结果中都没有伪像，从而可以实现稳定的成像和可靠的模型更新。