随着测井技术的发展，综合应用各种测井数据，成为更快速，更准确的获得岩性信息最主要的途径。岩性识别是测井数据解释中最关键的一环。传统的识别方法效率慢、精度低、人为因素大、不利于实际工程的应用。因此，构造一种速度快，识别率高，泛化能力好的岩性自动识别法成为测井数据解释领域迫切的需求。围绕岩性识别的目的，本文主要完成三方面内容：测井数据预处理，测井相分析，岩性识别方法研究。测井数据预处理是在测井数据解释之前，为消除非地层因素的影响而必要完成的基础性工作；测井相分析是建立在多源信息融合的测井曲线自动分层基础上，为构建全区域测井相-岩性数据库而必须执行的过程，它为岩性识别提供样本选取的标准和依据；岩性识别方法研究针对三种神经网络：遗传BP网络，FCM_PNN网络，遗传优化RBPNN网络，进行了算法构造和岩性识别应用对比。结果表明：三种网络对岩性识别的应用均是可行的，但遗传BP速度较慢，FCM_PNN识别正确率相对较低，都不能完全达到实际工程的应用规范。为此，构造全结构遗传优化的RBPNN网络模型。它通过采用遗传算法搜索使得RBPNN训练法误差最小的最优隐中心矢量，以及相匹配的核函数控制参数，优化网络结构，增加网络稳定性。相对遗传BP和FCM_PNN，遗传优化RBPNN在保证收敛速度和识别精度的同时能够实现岩性信息更快速和更准确的识别，且网络结构简单，推广泛化能力强，能为实际测井数据解释领域所应用。基于测井数据的岩性识别方法研究为测井数据解释提供了科学的方法支持和理论依靠，对整个油田地质勘探领域具有重要的实际意义。