日益增长的石油消费需求对测井技术提出了新要求,尤其是人工智能技术在测井解释任务上的应用,带来了新一轮的技术变革。在实践中,智能算法需要首先解决测井图像的地质特征区域划分与识别问题,因而,受其他领域广泛关注的语义分割技术给予本研究极大启发。本研究从基于编码器-解码器框架的U-Net算法在对电成像测井图像分割时存在的区域不连贯和目标误分割等问题出发,进行电成像测井图像地质特征提取及智能识别算法的设计,主要内容如下:（1）针对U-Net网络由于特征利用率低、不同层次特征间缺乏联系导致其对电成像测井图像分割时存在的区域不连贯的问题,考虑在该网络中融合Shuffle Net V2模块提出SV-UNet网络以加强模型的学习和表达能力,实现对图像中地质特征区域的分割;（2）为了进一步提升分割性能,针对SV-UNet网络由于跳跃连接层中同组特征间存在语义差异和下采样过程中空间信息丢失导致其对电成像测井图像分割时存在的目标误分割的问题,首先在该网络的跳跃连接层引入并发空间通道压缩和激励（sc SE）模块,其次在其编码器最终层采用金字塔池化（Pyramid Pooling）模块,最终提出Weighted SP-UNet网络以更加充分地利用全局上下文信息,降低模型误判率,提高图像中地质特征区域分割的准确度。在含有六类不同地质特征的电成像测井图像数据集上进行实验,Weighted SP-UNet算法平均像素精度达到97.09%,综合均交并比达到83.53%,相比UNet分别提高了1.29%和4.39%。实验结果表明:所提出算法可有效改善分割效果,具有良好的区域连贯性和目标区分度,在实际应用中可辅助测井工作人员进行更精准的成像测井解释,降低测井解释工作的难度。