在石油生产过程中,异常井会造成产油量的波动,及时对异常井进行诊断并修复可以减少油田的损失。示功图分析法是对异常井诊断的重要方法之一,在传统方法中主要依赖人工经验,这样不仅耗时并且容易出错。针对油田已有的异常井诊断方法中存在的主观性强、数据利用率低和模型内存过大等问题,结合已有的生产数据,提出基于深度学习的异常井诊断模型,主要的研究工作如下:（1）结合数据难以获取导致数据样本过少的现状,深入研究示功图的特性,提出一种基于示功图特性的图像扩充方法,通过示功图的类间转换,达到扩充示功图数据样本的目的;（2）示功图曲线的图像较为特殊,特征多聚集在变化的曲线上,因此异常井诊断模型建立过程中,深度学习模型的参数选择非常重要。首先从模型内存大小、参数量和准确率三个方面出发,从经典卷积神经网络模型中筛选出最适合本文任务的Alex Net模型,然后通过对比不同的卷积核大小、步长和批归一化层对异常井诊断模型分类准确率的影响,构建出一种改进的Alex Net模型;（3）针对深层次Alex Net模型参数过多和内存过大的问题,在改进Alex Net模型中又引入了全局池化层、空洞卷积和Inception模块。利用全局池化层来有效地替代全连接层,以减少网络模型的内存大小和参数;加入空洞卷积结构可帮助网络模型更准确地提取示功图特征;引入Inception模块可进一步减少网络模型的无效参数。通过上述改进,获得最适合本文任务的多尺度结合全局池化的异常井诊断模型。综合实验结果表明,首先提出的改进Alex Net模型相比经典Alex Net模型、VGG16模型和Le Net模型,其分类准确率、参数量和模型大小均得到改善;之后提出的多尺度结合全局池化的异常井诊断模型的分类准确率达到了98.3%,模型大小达到了3.41M,与上述其它模型相比,在分类准确率和模型大小方面均有较大程度的提高。将深度学习应用于油田的异常井诊断中,对及时发现油田生产异常井,提高原油采收率,促进深度学习方法在石油工业中的应用具有非常重要的理论和现实意义。