历史拟合是油藏数值模拟过程中一个十分重要的环节，是预测油田开发动态的基础。由于历史拟合过程中所用模型参数较多、可调整自由度大、主观随意性大，其程序运行也非常耗时，因而本文提出使用软计算方法中的神经网络技术来预测油藏特性参数，并进而优化历史拟合过程。 本文首先对软计算方法的研究现状、发展趋势及其在油藏数值模拟领域中的应用进行了综述。其次阐述了软计算中人工神经网络的基本概念、基本模型和算法。研究了一种综合启发式学习算法的改进型BP神经网络，即引入了动量因子和学习率自适应调整策略的神经网络。理论研究和仿真试验均表明，该算法是有效的，并且学习效率和收敛性能都比标准BP网络高。接下来介绍了油藏历史拟合过程中所需要调整的油藏特性参数具有很强的不确定性，导致历史拟合过程非常耗时，成本也很大。鉴于BP网络作为一个具有高度非线性映射能力的计算模型，且具有结构简单、工作状态稳定、易于硬件实现等优点，因而采用改进BP网络来预测油藏历史拟合参数。 最后，采用改进BP网络来确定油藏特性参数，如渗透率、孔隙度和厚度等，因而把较为精确的渗透率、孔隙度和厚度等参数反馈给模拟模型，从而可以迅速地使模拟模型与油藏生产历史剖面相吻合。仿真结果表明：本文采用改进BP网络所设计的模型可以较为准确地确定地下油藏的孔隙度、渗透率和厚度等参数，避免了过去人工历史拟合的不足之处，提高了油藏预测的可靠性，有利于油田开发方案的合理制定。