测井解释的核心就是确定测井信息和地质信息之间的关系,即利用测井获得的局部数据来确定整个工区地下储层岩性、储层流体性质和储层参数(孔隙度、渗透率和饱和度等)。传统上主要是依靠地质学家通过以往经验建立的数学公式利用局部数据来进行预测,但是面对地下未知的复杂地质情况,这些方法都有很大的局限性。人工神经网络技术特别是深度学习等新的神经网络模型的出现,为解决复杂非线性关系的表达和映射问题开辟了新的解决思路。研究人工智能新技术并借助它解决油气领域中的决策难题有重要理论和应用价值。论文在深入分析测井解释相关技术的发展,以及计算机技术在测井解释中应用研究现状的基础上,重点研究人工神经网络在测井解释中的应用问题,目的是为了找到能够更好地利用测井数据进行地质属性参数预测的方法。论文首先研究和分析了几种用于测井解释的典型浅层神经网络模型的特点和不足,设计出一种由三种浅层神经网络有机组合起来的联合神经网络模型,该模型的特点是表达能力和适应性强,可扩展性好。研究深度神经网络模型,并根据测井解释的实际情况,给出了利用深度置信神经网络(DBN)进行孔隙度预测的解决方案。针对神经网络在低渗致密特殊油气藏上测井解释准确率不高的难题,借鉴人工测井解释流程中引入测井资料预处理的思路,提出了在人工神经网络模型前置预处理模块的策略,增加约束性的信息输入。这样改进的神经网络模型可以有效提高在复杂地层中的预测精度。利用实际数据分别对论文设计和改进的人工神经网络模型进行了实验,通过对实验结果进行分析可以得出,利用神经网络实现测井解释,进行地层岩性识别和储层参数预测是一种有效的方法,是传统测井解释的重要技术更新,在测井信息解释中具有很好的应用前景。