La investigación se centra en el análisis de datos sísmicos, específicamente en la detección, segmentación de bordes y clasificación de imágenes sísmicas. Estos procesos son fundamentales en el procesamiento de imágenes y son cruciales para comprender la estructura estratigráfica e identificar recursos de petróleo y gas natural. Sin embargo, existe una falta de recursos suficientes en el campo de la detección de imágenes sísmicas, e interpretar cortes de imágenes sísmicas 2D basados en conjuntos de datos sísmicos 3D puede ser desafiante. En esta investigación, la segmentación de imágenes implica el preprocesamiento de imágenes y el uso de una red U-net. Se emplean técnicas de preprocesamiento, como el filtro gaussiano y la difusión anisotrópica, para reducir el desenfoque y el ruido en las imágenes sísmicas. La red U-net, basada en el descriptor Canny, se utiliza para la segmentación. Para la clasificación de imágenes, se aplican los modelos ResNet-50 e Inception-v3 para clasificar diferentes tipos de imágenes sísmicas. En la detección de imágenes, se calculan los invariantes de Tchebichef utilizando la relación de recurrencia de los polinomios de Tchebichef. Estos invariantes se utilizan luego en una red SVM multiclase optimizada para detectar y clasificar varios tipos de imágenes sísmicas. Los resultados prometedores del modelo SVM basado en los invariantes de Tchebichef sugieren su potencial para reemplazar los invariantes de momentos de Hu (HMIs) y los invariantes de momentos de Zernike (ZMIs) para la detección de imágenes sísmicas. Este enfoque ofrece una solución más eficiente y confiable para el análisis de imágenes sísmicas en el futuro.