储层的准确预测对油气藏的勘探和开发具有非常重要的作用,提高储层预测的准确性一直是油气藏表征的一个关键问题。储层预测的核心是要利用有效的算法,充分提取采集数据中的有效信息,构建采集数据与目标信息之间的映射模式。随着油气勘探开发对象的日益复杂化,对包括横波速度预测、储层孔渗饱参数预测在内的储层参数预测有了更高的要求。测井被誉为地质学家的“眼睛”,油气田开发的“医生”,是人类向地下发射的“卫星”,它可以帮助我们找到深藏在地下的石油、天然气等宝藏。测井数据中携带有丰富的横波速度和储层孔渗饱参数信息,如何有效且充分利用这些信息构建原始数据与储层参数之间的准确映射关系,实现对储层参数的反演预测,一直是储层预测的重要研究内容。随着勘探开发的不断深入,常规储层预测技术已难以满足油气勘探开发的要求,尤其是在深层情况下。因此必须循新的思路有针对性的研究发展新的方法。人工智能深度学习技术的快速发展为测井储层预测的多解性、不确定性等难题提供了新的思路和方法。本文以油气勘探开发亟需的有效储层预测技术需求为牵引,以深度学习为手段,基于储层地质沉积规律及其在测井响应上的特点,从测井曲线生成、横波速度预测以及孔渗饱参数预测三个方面进行了应用研究。论文的主要内容与创新之处包括:（1）发展了两种基于深度循环神经网络模型的测井曲线生成方法。针对连续沉积的储层,将测井数据看成具有纵向联系的时序数据。将适于处理序列数据且可以学习长期相关性的长短期记忆（LSTM）和门控循环单元（GRU）神经网络算法应用于解决测井曲线生成问题,发展了新的更稳健的测井曲线生成方法技术。研究结果表明循环神经网络建模预测效果良好,能比较准确地预测测井曲线的变化趋势,是有效且预测精度较高的测井曲线生成方法。（2）提出了一种基于自适应粒子群优化算法（PSO）和LSTM网络相结合的横波速度预测方法。针对目前常规预测方法无法考虑地层沉积影响因素以及网络模型易陷入局部最优的问题。结合自适应PSO算法的自适应优化特点和LSTM网络处理序列数据时挖掘趋势信息的优势,发展了一种基于自适应PSO优化LSTM网络的横波速度预测方法。通过自适应PSO自动寻找LSTM网络的关键超参数,使测井数据特征与网络结构自适应匹配。该方法从测井响应特征差异性分析及相似性分析出发,充分考虑了储层纵向非均质性特性,有效建立起测井参数和地震横波之间的复杂关系,实现利用测井参数对地震横波速度的准确预测,为叠前反演等研究提供可靠的基础数据。研究结果表明,基于自适应PSO优化LSTM的横波速度预测放方法不但提高了预测准确度,而且具有一定的适用性。（3）发展了基于GRU网络和双向循环神经网络（BRNN）的储层孔渗饱参数预测方法。基于GRU网络的储层孔渗饱参数预测方法首先采用基于Copula函数的相关性测度法筛选与孔渗饱参数关联度较高的测井参数,然后利用GRU网络建立测井参数与孔渗饱参数之间的映射关系。考虑到地层上下围岩的岩性组合存在一定的相关性,进一步发展了基于深度双向循环神经网络的孔隙度预测方法。双向循环网络由两个RNN上下叠加组成,弥补了传统深度网络无法考虑地层上下岩性组合信息的缺陷,可高效提取测井数据的内禀特征,提高了孔隙度预测的准确性。实际数据应用结果表明,GRU模型和深度BRNN模型在储层孔渗饱参数预测方面具有良好的性能。