目前，世界石油开采储量的增加，75％以上来自对已开发油藏的技术挖潜，仅有不到25％来自新油田的发现。在一般情况下，人们仅仅采出原油总储量的30％左右，因此，剩余油开采对于增加可采储量及提高采收率具有巨大的潜力，提高采收率无异于找到新的油田。我国多数油田都已进入高含水、特高含水开发阶段，综合含水率均达到或超过90％，现阶段油田开发与调整的主要任务即“认识剩余油，开采剩余油”。然而，“油田剩余油分布预测”被国内外石油领域专家公认为世界难题，因为影响剩余油分布的地下因素很多且十分复杂，既涉及地质专业领域，还涉及测井和钻井等领域。目前，国内外提出了多种预测剩余油分布的方法，但还没有一种行之有效且准确率较高的方法加以推广。它们存在问题的根源在于或者只考虑部分客观证据、或者只考虑部分主观证据，导致对剩余油分布水淹类型等特征分类准确率低、可靠性差。所以，如何对来自多专业领域不同层次的全部客观证据及领域专家长期积累的主观证据进行融合，成为剩余油分布研究的核心问题。本文通过BP神经网络联合模型与两级D-S证据推理模型的优势互补进行主客观证据融合，实现了剩余油分布多属性特征的准确分类。 2003年，东北大学与大庆油田合作，以大庆油田非均质砂岩油藏为背景，利用大庆油田的广域网平台，成功地研制开发了“油田勘探开发信息融合辅助决策系统”。“剩余油分布预测”是其子系统之一。 剩余油分布研究的主要内容：对体现其分布特征的水淹类型等多项属性进行准确分类，根据分类结果经多模型联合求解，得到剩余油分布的多项定量指标。本文以具有典型特征的大庆油田作为研究背景，将本体计算的思想引入到剩余油分布的研究之中，把剩余油分布预测的复杂过程按照信息源所属的不同专业领域，划分成若干个较小的计算单元，以提高定量推理的效率。将这些计算单元针对同一区域油藏地质体产生的分类结果，进行多侧面、多层次，多角度的融合，经过联想、相关和组合过程的自动综合处理，得到新的准确率更高的分类结论。 在处理不确定信息的方法中，证据推理方法性能突出、应用广泛，因而成为信息融合领域处理不确定信息的一种有效方法。然而，在实际应用中，因为系统输入为多源异类信息，仅仅依靠单一的D-S证据推理模型难以有效地解决问题。为此，本文提出了适合大规模融合系统的分布式层次化体系结构，通过特征级BP神经网络联合模型与决策级两级证据推理模型的集成，建立了神经证据集成模型。由于采用BP神经网络联合的实现方法，各个独自工作的神经网络运行在各自的子系统中，与传统的整个系统采用一个综合的神经网络相比降低了单个神经网络的复杂性、缩短了学习和运行的时间。首先将每个子系统的各个神经网络分类输出的可信度值作为客观证据与来自该子系统的专家系统推理之后结论的可信度值作为主观证据经局部D-S证据推理模型进行局部融合，之后将各个局部融合结果通过网络传输到全局融合中心，经全局融合，得到更高准确率的分类结果。 针对BP网络存在的收敛速度慢、存在局部极小点、隐层节点个数选取尚无理论指导及推理过程的不可理解性等问题，在吸收国内外研究成果的基础上重点对提高BP网络的访问速度、增强网络的可理解性算法进行了优化。 D-S证据推理模型输入证据的基本概率赋值获取是实际应用中最难的一步。针对这个问题，提出了将BP神经网络分类结果的可信度及专家系统推理结论的可信度作为D-S证据推理模型输入证据基本概率赋值的有效方法。 运用提出的主客观证据融合方法及神经证据集成模型对大庆油田的实际数据进行了应用。将本文方法与传统的模糊综合评判方法、单一神经网络方法进行了性能及运行结果对比，体现了本文方法的优越性。预测系统的试运行表明：该方法的分类准确率为85.9％，比单一神经网络方法(76.3％)提高了9.6％，比模糊综合评判方法(81.4％)提高了4.5％，提高了分类的准确率和可靠性。 本文的研究成果为“油田剩余油、剩余天然气”等地下不可见流体资源剩余分布状况的研究提供了一种有效的方法。同时，为各类多源信息融合系统的研究和工程实现提供了示例、途径和有益的经验。