本文基于基岩气藏水锁损害机理选择了气测渗透率、孔隙度、气水界面张力、黏土矿物含量、接触角、平均孔喉半径和含水饱和度作为水锁损害率的重要影响因素并用青海油田某基岩储层3个区块23块岩心进行水锁损害评价实验获取实验数据。实验结果显示,该基岩储层孔渗超低、水润湿、孔喉细小、黏土矿物及伊利石含量普遍较高,该基岩储层存在潜在水锁损害。随后,本文采用灰关联分析法分析7个影响因素与水锁损害率的关联性,结果显示,所选择的7个影响因素对水锁损害率均有显著的影响,可以作为神经网络预测水锁损害率的输入参数,其中接触角、岩心含水饱和度及孔隙度与水锁损害率的关联程度相对较高,而初始渗透率、黏土矿物含量与水锁损害率的关联性相对较弱。虽然前人在BP神经网络模型预测水锁损害效果不够理想后采用灰色系统和神经网络模型相结合的方式预测水锁损害率取得了较好的预测效果,但神经网络的权重、阈值依然是随机初始化,预测精度还有提升的空间,因此,本文采用遗传算法优化灰色神经网络初始权重、阈值,使网络更快获得全局最优或全局次优解,进一步提高灰色神经网络模型预测精度。通过MATLAB软件编程,对所获得的77个样本数据进行分集并预测,结果表明用遗传算法优化灰色神经网络模型后预测水锁损害率的测试集的相对误差均值为5.1%,相比用灰色神经网络模型预测的测试集的相对误差均值6.1%,BP神经网络预测的测试集的相对误差均值10.3%,采用遗传算法优化的灰色神经网络的预测精度有较大提高,同时优化后的网络性能得到很大改善。