石油资源是当今主要能源,储备量关系着国家经济的发展和人们的生产生活。随着石油勘探的不断发展,地层复杂、埋藏较深以及不易识别油藏的勘探开发,不断提高了对测井技术的要求。阵列声波测井技术在储层识别、岩石力学特性以及各向异性等方面具有较高优越性,在油气勘探和开发中应用广泛,所测得的测井曲线包含大量且丰富的地质信息,能够准确反映地层的物理性质,利用阵列声波测井数据进行储层识别在实际测井工作中具有重要意义。本文基于阵列声波测井数据对信号分析、特征提取、储层识别三大问题进行深入的分析和研究,开展石油测井储层识别研究。目的在于寻找一种针对测井声波信号的算法进行信号处理,并将其应用于实际生产之中进行储层识别。采用集合经验模态分解（Ensemble Empirical Mode Decomposition,简称EEMD）与希尔伯特变换（Hilbert Transform,简称HT）相结合方法进行特征提取,并将特征向量输入BP神经网络（BP Neural Network,简称BPNN）进行训练,从而实现储层识别,最后采用实际测井数据验证此方法的可行性。具体研究内容如下:（1）使用傅里叶变换和小波降噪方法对原始含噪信号分别进行降噪处理,结果表明小波降噪方法能够对信号进行更精细的处理,满足时频信号分析的需要,解决了傅里叶只可进行整体时频域研究的弊端,实际信号处理中小波变换优势明显。（2）通过使用EEMD与EMD对阵列声波测井声波信号进行分解,结果表明EEMD分解得到的IMF并未出现如EMD分解得到的IMF中模态混叠和端点效应的问题,而且EEMD分解能够更加完美的将声波信号进行分解。通过使用实测信号进行分解,验证了EEMD分解的优越性。（3）提出一种将EEMD分解得到IMF进行瞬时能量提取的特征提取方法,将各个IMF的瞬时能量作为地质特征,通过阵列声波测井信号,证明了不同地质振动信号的瞬时能量分布是不同的,并且通过散点图的绘制,证明了此方法可以区分不同地层的特征。（4）将EEMD-HT方法得到的特征向量输入BPNN进行模型训练,通过设置不同的输入输出节点以及网络节点的大小,建立针对不同地层的BPNN模型,以求迭代次数最少,运行时间最短,结果准确率最高,最后将需要测试的信号输入至训练好的神将网络模型中进行储层识别工作。最后通过对阵列声波测井信号实验数据的储层识别,与EMD-SVD特征提取方法比较,证明了本文提出的基于EEMD-HTBPNN方法在储层识别方面的有效性和优势。结果表明,本文提出的方法可以准确的对阵列声波测井信号进行储层识别。