近年来，对于前馈神经网络在油藏描述中的应用研究已非常广泛。在此，本文深入剖析了多层前馈网络的学习机理，总结了已取得的研究成果。同时针对基于最速下降法的BP算法存在的问题和缺陷，研究了径向基RBF网络的快速高效学习算法，并将其应用到储层物性参数渗透率的预测中。 本文全面而详细地介绍了将神经网络用于测井储层反演的全过程和关键技术，即如何进行学习样本的挑选、网络结构优化，如何提高神经网络的泛化能力，如何进行测井数据的预处理等。 渗透率作为储层的重要参数之一，对其进行预测一直是国内外石油工作者关注和致力解决的重要研究课题。为了提高预测的准确性与反演方法的智能水平和适应性，本文采用RBF网络法(并对其使用一种新的学习样本选取法)进行储层特性反演。最后使用RBF网络计算方法，在对多口井的测井资料进行处理的基础上，进行储层的物性参数(渗透率)预测，并对其预测精度进行检验，获得了明显优于常规解释方法和BP网络的地质效果。 研究结果表明，RBF网络计算方法可以克服常规测井解释中所遇到的高度复杂非线性建模的难题，极大地简化了解释中的数学手段，同时与BP网络相比精度更高，速度更快。