测井是用电阻率、超声波、放射性及核磁共振等地球物理方法在井中探测油气、煤炭和其它矿物资源(如铀矿、钾盐及水合物等)的工程技术学科。利用测井资料可以评价地层岩性、电性、孔隙度、饱和度与渗透率等地层参数,其中,岩性识别结果对寻找油气层资源有着非常重要的作用。在识别地层岩性时,由于测井曲线测量值受到多种因素影响,并且不同地区的地层岩性变化大、岩性种类繁多且地质结构复杂,已有的识别方法存在识别准确率不高、不同地区建立不同模型费时费力等问题,因此,如何准确地进行岩性识别成为测井处理解释中的一个关键问题。本文在深入研究传统机器学习算法在岩性识别中的应用基础上,对深度信念网络进行了详细探讨,具体工作如下。首先,通过对原始测井数据进行预处理,不仅提高了测井曲线的质量,消除了非地层因素对测井曲线的影响,而且还减少了参与数据分析的测井曲线的数量,为下一步模型训练提供良好的数据基础。其次,设计了一种基于深度信念网络的岩性识别方法,该方法采用“预训练+调优”的方式,通过对岩性数据进行无监督的预训练使深度信念网络达到较好的初始状态,再通过反向传播算法对深度信念网络进行有监督的参数调优,使得网络具有较强的特征学习能力。再次,研究了不同的深度信念网络参数对岩性识别结果的影响,通过调整深度信念网络中某个参数,同时固定其它参数的方式进行实验效果对比,得出最佳的网络参数,从而为深度信念网络模型的应用提供了依据。最后,开发了一套完整的全交互岩性识别系统,集成了多个常用机器学习算法,实现了从数据预处理、模型训练、模型应用的完整流程,并在实际岩性识别中得到应用,且取得较好效果。