页岩油井在生产过程中普遍存在产量快速递减的问题,需依赖频繁实施增产措施以维持稳定产能。然而,在实际生产管理中,准确判断油井生产是否“异常递减”面临挑战。一方面,页岩油产量受地层条件和工况波动影响显著,预测难度较大;另一方面,现场增产措施虽频繁实施,但相关记录往往不完整或缺失,导致模型识别与分析的困难。本文针对上述挑战,提出了一种融合正样本和无标签学习(Positive-Unlabeled Learning, PU Learning)与经典递减模型的页岩油井异常产量递减预警方法。首先,构建基于长短期记忆网络(Long Short-Term Memory, LSTM)的PU学习模型,利用少量已有明确标注的增产措施数据与大量未标注样本,识别油井在生产周期中潜在的增产干预时间点,并将油井产量曲线划分为多个“自然递减段”。随后,针对各段自然产量递减过程,建立双指数递减模型进行拟合,提取关键递减参数,并构建区域历史递减特征分布作为判断基线。在此基础上,提出基于递减参数分布百分位的异常识别机制,实现对产量异常快速递减井段的精准预警。实证研究基于我国某典型页岩油区块2021——2024年600余口油井的历史生产数据,结果表明:所构建的PU-LSTM识别模型在标签不完备条件下具备良好的增产时间点判别能力,双指数递减模型拟合精度高、稳定性好,整体预警体系在油井运行监测与干预时机判断中具有较强的实用性和工程推广价值。