沉积微相分析作为油气储层研究中必不缺少的一部分,具有重要的理论与实践意义。测井资料含有的丰富的地层沉积学信息是识别沉积微相的重要依据。人工测井沉积微相识别主观性强,耗时多。支持向量机和神经网络等传统机器学习方法已经被用于自动测井沉积微相的识别中。然而这些方法常常忽略了测井曲线在深度方向的形态变化特征以及需要将曲线分层、特征提取和分类这三个步骤分开进行,难以取得令地质学家们满意的结果。为了解决该问题,本文将测井沉积微相的识别转换成为一个图像语义分割的任务,针对利用深度学习对测井曲线进行沉积微相的智能化识别展开研究,分别从测井曲线不同的特性出发,搭建适用于测井沉积微相识别的模型,并对测井数据处理方法进行研究,以提高模型识别的精度。本文所做的工作主要包含以下两个方面:（1）针对测井曲线的多尺度性,在U-net网络的基础上,进行如下改进:（1）去除池化层,降低空间特征信息的损失;（2）引入多尺度卷积块,实现多尺度挖掘;（3）加入一维卷积层,实现单方向分割,从而搭建了一个具有多尺度特征约束的测井沉积微相识别模型Improved U-net。为提高网络模型的应用效果,提出了适用于测井曲线沉积微相识别的数据增强方式,并通过属性延伸的方式计算曲线的斜率值、方位值、方差和岩性特征值以降低数据特征提取过程的复杂性。相比传统的SVM和ANN方法,模型的预测准确率提高到了86.49%,且能更好地识别尺度不一的分流河道、河道侧缘和分流间湾这几种沉积微相。（2）针对测井曲线的时序性,选用SegCaps胶囊网络作为基础架构,以降低信息的损失以及更好地记录测井曲线的方向性。同时引入知识引导模块,使得人类的经验知识能够指导网络学习更多有用的信息来提高测井沉积微相识别的精度,从而搭建了一个具有时序性特征约束的测井沉积微相识别模型KD-SegCaps,预测准确率为86.73%。相比ImprovedU-net,KD-SegCaps更关注测井数据纵向上的韵律变化特征,对砂坪、砂泥坪和泥坪等沉积微相的识别效果更好。该方法能够自动地从测井曲线形成的2-D图像中获取精细的沉积微相特征,提高了测井数据识别沉积微相的精度,解决了测井曲线在深度方向的局部或整体的形态变化特征常常被忽略的问题,并且可以同时完成曲线分层、特征提取以及分类,使识别更加智能化。