现有油气井电磁探伤测井仅能定性判断套管是否变形，无法识别套管具体变形类型，引入深度学习的思路，提出一种基于Fisher线性判别的套管变形类型识别方法通过设计多层自动编码器对电磁探伤信号进行编码，获得使样本线性可分的多维特征；利用Fisher线性判别方法对多维特征进行投影降维，根据多维样本分布获得最佳投影矩阵；通过为十种经典套管变形类型设计标签，构建了BP神经网络的输出层，选择Fisher处理后的多维数据作为特征值，进行神经网络的模型训练，套管变形类型识别模型，现场可将实测数据通过降维后输入到模型中进行实时缺陷识别，套管变形类型。本方法优化了不同套管变形类型样本信息之间的联系来构建识别模型，以提高模型非线性映射能力，适用于多种类型样本实时识别的场景。通过使用未参与训练的试验井电磁探伤数据进行验证，各种类型的准确率均大于95％，具有良好的识别精度，为认识油气井套情况和开展套变井治理提供技术支撑，对保障油气田安全平稳生产开发具有重要意义。