人工神经网络(NN)、遗传算法(GA)和模拟退火算法(SAA)的研究是当代信息科学的前沿和热点,也为非线性系统辨识理论的发展开辟了崭新的途径。文中围绕非线性系统辨识和预测方法及其在油田系统的应用,展开了深入研究,提出了基于混合算法的油田系统NN辨识和预测的一系列新方法。主要完成了如下工作。首先,以油田试井解释为应用背景,以试井偏微分方程为依托,经过数学推导,给出了试井解释基函数神经网络(WTBFNN)模型,为试井系统辨识和预测奠定了理论基础。试井解释基函数是典型的复杂多峰函数。它的参数(地层参数)值是试井解释的依据,因而要求其估值应具有唯一性。为了解决这一难题,文中将系统辨识、GA、聚类算法等多项技术融于一体,提出了两种新型混合GA:种族遗传进化算法(SGEA)和启发式GA。仿真实验证明了SGEA的全局收敛性优于带共享机制的GA。文中以马尔可夫链为工具,证明了上述两种新型GA具有全局收敛性。在此基础上,提出了基于新型混合GA的WTBFNN辨识和预测新方法,其中以WTBFNN为模型框架,用F检验法确定模型结构参数,用最小二乘法辨识WTBFNN的权值,用上述两种新型混合GA之一辨识WTBFNN中的地层参数。新方案成功地用于低渗透油田试井问题,取得很好结果。对多组油井实测数据拟合和预测的平均相对误差均在1%以内,同时均得到了对应油井地层参数的全局最优估值,为试井解释提供了科学依据。并且新方案比传统方案显著减少了关井时间,因而具有重大的经济和社会效益。其次,为解决深层火山岩储层预测问题,提出了两种NN辨识器。用径向基函数神经网络(RBFNN)作第1种辨识器模型。用文中提出的新型混合算法对RBFNN的结构、参数和权值进行全面辨识。该混合算法由正交最小二乘法、带惯性项的梯度法和文中提出的优选模糊C均值聚类法组成。用多层前向网络作第2种辨识器模型。用文中所给出的混合SAA训练网络模型。该混合算法由Powell算法和文中给出的自适应SAA组成。由两种辨识器导出的预测器成功地用于火山岩储层预测,具有很高的精度,并且在收敛速度方面优于传统NN预测方案。最后,文中提出一种带Laplace隶属函数的新型模糊NN辨识器和预测器。并且应用微分中值定理和Weiestrass定理证明了该网络具有通用逼近性。在该方案中,采用文中提出的优选K均值聚类法辨识该网络的结构,用所给出的混合算法辨识该网络的前件参数和权值。仿真实验表明新方案优于传统模糊NN预测方案。将上述新方案用于油田积累产量预测,取得很好的结果,预测的平均相对误差在1%以内。特别,实现了对三个采油厂的不同类油井:基础油井,一次和二次加密油井累积产量的长期预测。这些预测结果,为是否继续打加密井的生产决策提供了科学依据。