在油气勘探领域,数字岩心技术能定量地刻画岩石的微观孔隙结构特征,所重建的数字岩心能作为后续进一步研究岩石微观孔隙结构特征对宏观物性特征影响的基础。相较于物理实验法获取岩石的三维数字岩心,数值重建法具有低成本、快速和重复使用的优势。随着深度学习的蓬勃发展,将该方法应用到三维数字岩心技术上也是一研究热点和应用创新。此次研究内容和结论如下:（1）为了使卷积神经网络能应用于三维数字岩心的重构技术上,此次研究对卷积神经网络输出层的卷积核规模和训练集的数据标签形式进行了改进。（2）使用Python和Tensor Flow编写卷积神经网络的相关程序后,利用训练集中砂岩的CT图像作为输入,组合图像多尺度结构相似度和7)1范数作为损失函数,采用“Adam”优化器来训练卷积神经网络。（3）使用测试集对完成训练后的卷积神经网络进行性能测试,并使用图像多尺度结构相似度作为评价指标。在测试集上,其平均准确度为0.96,标准差为0.02,中位数为0.97,结果表明经过改进后的卷积神经网络模型能通过输入的岩心图像预测出后续岩心图像的孔隙结构分布特征。（4）利用少量的Berea砂岩的二值图像作为卷积神经网络的输入,重建Berea砂岩长宽高分别为80、80、65体素的三维数字岩心。（5）分析重建效果,采用汉明距离和利用闵可夫斯基函数计算的孔隙度、比表面积、平均体积比表面积和连通性对卷积神经网络重建的Berea砂岩三维数字岩心和CT扫描法获得的Berea砂岩的三维数字岩心进行定量分析。计算结果显示,两者之间的汉明距离为0.0204,对于后四种指标,前者依次为0.215、0.417、0.0161、-0.001257,后者依次为0.205、0.419、0.0166、-0.001271,两者之间的相对误差分别为4.88%,0.477%,3.01%和1.10%。结果表明改进后的卷积神经网络所重建的三维数字岩心不仅能反映出Berea砂岩中孔隙的分布特征,还能还原出孔隙与孔隙之间的连通情况,为刻画岩石内部孔隙结构特征提供了一种新途径。（6）对于Berea砂岩,此次研究发现,当输入图像的数量达到所需重建岩心图像的四分之一及以上时,改进后的卷积神经网络具有很好的可靠性和稳定性,所重建的三维数字岩心均能还原出Berea砂岩的孔隙分布特征和孔隙连通情况。