孔隙度和渗透率是用来描述储层物理性质的重要参数,它们决定了储层中油气存储和开发的能力,故储层参数预测对石油勘探开发、油气藏地质建模和精细评价具有十分重大的意义。传统的储层参数预测方法是利用测井资料建立经验公式或简化的地质模型来预测,然而这些方法仅单一的考虑了变量间的线性关系,忽略了储层的非均质性、各向异性等重要特征,导致其预测精确度较低。因此,构建一种能够反映测井资料与储层参数之间的非线性映射关系的预测模型尤为重要。针对上述问题,本文将深度学习方法应用到储层参数预测中,构建了两种预测模型分别对储层参数中最为重要的孔隙度和渗透率参数进行预测,并依据此模型结合实际业务需求设计并实现了储层参数预测系统。具体研究内容有:首先,对测井数据进行预处理以及敏感特征选取,在进行特征选取时综合考虑测井数据和钻井数据,采用基于Copula函数的相关性测度法选取与孔隙度和渗透率相关性较高的测井曲线和钻井参数。然后,考虑到测井、钻井数据与孔隙度的深度序列特征,构建基于麻雀搜索算法优化双向门控循环神经网络（SSA-Bi GRU）的孔隙度预测模型。为解决Bi GRU神经网络超参数设置复杂、人工调参难以寻到最优解的问题,引入了麻雀搜索算法进行超参数寻优,使用最优参数重建Bi GRU神经网络模型,采用松辽盆地中央凹陷区A井的数据集进行孔隙度预测。实验表明,SSA-Bi GRU模型的预测精度分别比BP、LSTM、Bi GRU模型提高了13.5%、5.7%和4%。针对渗透率与测井曲线间的相关性低,预测更困难的问题,提出一种融合一维卷积神经网络的双向门控循环神经网络预测模型（1DCNN-Bi GRU）,采用1DCNN对测井数据进行空间特征提取,然后经过Bi GRU网络进行时序特征提取,深度挖掘测井曲线与渗透率之间的深层特征。实验结果表明,1DCNN-Bi GRU模型的渗透率预测精度分别比单一CNN模型、Bi GRU模型提高了8%、3%。最后,根据构建的孔隙度与渗透率预测模型结合实际的储层参数预测流程设计并开发储层参数预测系统,用于油田勘探开发过程中。