油气勘探难度的增加需要更加精确的地震储层参数预测。储层参数的精准预测能够帮助勘探开发人员深入掌握工区情况,对石油资源的高效开采具有重大意义。勘探技术的多样化精细化发展增加了勘探数据的类别和体量,各类数据的关系往往具有明显的非线性特征。传统储层预测方法的预测精度与效率较低,难以满足需求。深度神经网络是深度学习的核心,它既能够使各类数据共同参与到训练预测中,同时具有很强的非线性关系建立能力和泛化性。网络技术的多样性确保可以针对不同任务设计具有针对性的组合来捕捉数据的内部特征。本文首先介绍了地震储层预测各类常用方法的技术特点及使用条件。而后介绍了神经网络技术的起源和基本概念,随后介绍常用于图像识别的卷积神经网络结构和适用于时序数据预测的循环神经网络结构及其改进模型。在实际应用中,选定使用卷积长短时记忆网络进行横波速度的预测,同时对比了可用于此类预测任务的级联网络模型,通过预测的横波速度帮助进行地震反演。在岩性识别任务中对比网络的优化算法和参数保证效率。首先在井旁道提取4种岩性敏感地震属性,采用简化的常用于分类的残差网络模型Resnet18进行岩性识别。此外以泥质含量为纽带,基于卷积长短时记忆网络的模型预测出泥质含量剖面进而得到岩性剖面。最终通过与井上匹配情况、综合录井信息和剖面形态进行综合对比,证实使用卷积长短时记忆网络划分岩性在该研究区内的有效性和适用性。