储层孔隙度是进行油气预测、油气储量计算的重要参数之一。因此，准确获取储层的孔隙度是进行地层解释和建立地质模型的基础和关键。铸体薄片图像孔隙度判读工作常常需要专业人士去目测判读，在实际的工作当中，人为的因素很可能会影响到鉴定人员对储层孔隙的观察。所以本文提出灰色用神经网络来代替目测判读的想法。　　 作为人工智能的重要的组成部分，人工神经网络有很大的应用潜力。BP神经网络是一种能以任意精度逼近任意非线性函数，且是一种结构简单的神经网络模型，在模式识别中应用十分广泛。它可以处理一些环境信息十分复杂、背景知识不清楚、推理规则不明确的问题，允许样本有较大的缺损和畸变，普通BP算法存在收敛速度慢、易陷入“假饱和”和局部极小等缺陷。　　 本文在BP网络模型的基础上，提出一种改进的灰色神经网络的模型。该模型尝试利用BP神经网络历史训练的权值，以灰色系统理论为基础，以灰色关联为方法，构建灰色关联约束函数，其灰色关联约束函数反映历史的权值变化规律与当前学习权值变化的依赖关系，对BP神经网络训练权值变化状态进行定量分析，利用灰色关联约束函数自适应的约束BP神经网络训练学习过程，以图克服BP神经网络存在训练时间较长、收敛速度较慢等问题。　　 本文的主要内容是：　　 1、分析总结了灰关联空间，及灰关联度的模型。　　 2、阐述了神经网络的结构，特点，分析研究了神经网络的缺点及其原因，并介绍了主要的优化途径。　　 3、针对普通BP算法存在的缺陷，提出了基于灰关联的BP改进算法。介绍了算法的详细思路和具体过程，并将改进算法仿真实现。并对储层图像孔隙度进行识别，为目前孔隙判读方法提供了一个更可靠，更稳定，更有效地途径。　　 4、为便于计算和模型的实际应用，本文的铸体图像孔隙度识别的算法在matlab环境下用程序实现。