该文详细的讨论了在石油勘探领域应用最多的前馈型神经网络方法.针对前馈型神经网络所用的传统误差反传算法收敛速度慢的缺点,讨论了动量算法、变步长算法、共轭梯度算法和变尺度算法,其中共轭梯度算法和变尺度算法都有较快的收敛速度.文章讨论了神经网络的预测能力,指出多层前馈型神经网络的预测实质上是函数逼近,并从理论上研究了神经网络的光滑性,指出当网络神经元具有连续传输函数时,前馈型神经网络相当于一个多元函数,具有连续性.神经网络的这个性质在实际预测中表现为神经网络具有较好的内插能力及抗噪音能力,并用网络逼近函数验证了这一结论.文章还从理论上研究了网络输出与网络权值的关系,指出通过减小网络权的模能适当控制网络输出的波动幅度,从而为通过控制网络权值来提高网络推广性的正则化方法建立了理论基础.该文通过贝叶斯方法近似训练样本的真实分布,自动调节正则化参数.文章用神经网络逼近函数和用神经网络根据测井曲线预测储层岩性参数,孔隙度和渗透率,对传统方法和正则化化方法作了比较,证实了正则化方法能有效地减小网络权值,提高网络的推广性能.