全波形反演是一个强烈非线性非凸优化问题，它的成功严重依赖于初始速度模型的准确度和地震数据中的低频信息。在实际应用中获取准确的初始速度模型难度较大，采集丰富的低频数据成本极高。扩展模型搜索空间是目前常用的减弱上述问题的主要方法之一，但大部分算法的计算量和内存消耗巨大，限制了这些方法的实际应用。本次报告将基于扩展模型搜索空间这一基本准则，将数学优化方法中的梯度采样算法引入全波形反演，结合地震波传播规律，进行合理近似，提出了一种计算量与内存消耗和常规全波形反演方法一致，但可以应对初始模型误差较大、地震数据低频缺失的情况的新方法，称为基于随机梯度采样算法的全波形反演方法。利用声波和弹性波数据的多个数值算例证明，在观测数据低频信息缺失的情况下，利用提出的方法可以从非常简单的初始解迭代得到接近于真实模型的反演结果，而常规全波形反演方法则陷入错误的局部极值。