Detectar reservatórios de hidrocarbonetos a partir de um levantamento sísmico é uma tarefa complexa, que requer profissionais especializados e muito tempo de trabalho. Por isso, atualmente, existem muitas pesquisas que buscam automatizar essa tarefa utilizando redes neurais profundas. Seguindo o sucesso das redes convolucionais profundas, CNNs, na identificação de objetos em imagens e vídeos, as CNNs tem sido utilizadas como detectores de eventos geológicos nas imagens sísmica. O treinamento de uma rede neural profunda atual, entretanto, requer centenas de milhares de dados rotulados. Se tratarmos os dados sísmicos como imagens, os reservatórios de hidrocarbonetos geralmente constituem uma pequena sub imagem incapaz de fornecer tantas amostras. A metodologia proposta nesta dissertação trata o dado sísmico como um conjunto de traços e a amostra que alimenta a rede neural são trechos de um sinal unidimensional parecido com um sinal de som ou voz. Com essa entrada uma marcação de um reservatório numa sísmica geralmente já fornece o número necessário de amostras rotuladas para o treinamento. Um outro aspecto importante da nossa proposta é a utilização de uma rede neural recorrente. A influencia de um reservatório de hidrocarboneto num traço sísmico se dá não somente no local onde ele se encontra, mas em todo o traço que se segue. Por isso propomos a utilização de uma rede do tipo longa memória de curto prazo (Long Short-Term Memory, LSTM) para caracterizar regiões que apresentem assinaturas de gás em imagens sísmicas. Esta dissertação detalha ainda a implementação da metodologia proposta e os testes feitos nos dados sísmicos públicos Netherlands F3-Block. Os resultados alcançados avaliados pelos índices de sensibilidade, especificidade, acurácia e AUC foram todos excelentes, acima de 95 por cento.