油气钻井是一个复杂的过程,井底压力被要求保持在操作窗口内,受裂缝压力和孔隙压力的限制,因此需要建立准确的井筒环空动态模型,使得先进控制算法应用在钻井过程中,提高时效。但井筒环空具有强耦合、非线性、机理复杂等特征,机理建模困难,且所收集的钻井行业数据量不断增长,因此运用神经网络的方法挖掘大量数据中的有用信息来建立精度更高的环空模型,提高井底压力预测的准确性,确保安全钻井。本文首先介绍数据治理的基本内容、思想,总结出相对通用的数据治理体系框架。后针对某油田钻井过程,建立基于控压钻井数据的治理模型,对现场数据进行数据选择和清洗,处理无效值和缺失值。通过数据关联性分析结合机理从众多数据中筛选与井底压力关联性大的参数变量,采用主成分分析法降低变量维数,获取主要特征。分析比较两种基于现场数据应用于工况判别的聚类方法。针对钻井参数变量采样间隔不一致问题,提出基于多速率数据融合的神经网络建模方法,利用融合数据建立学习样本反复训练,得到最终的训练模型。使用仿真模型验证此方法的可行性后,将其用于井筒环空建模,并结合更能充分利用钻井数据进行无监督预训练的深度置信网络,提升模型精度。结合数据处理和神经网络建模的内容,利用Matlab的GUIDE对井筒建模系统进行设计与实现,根据需求分析对该系统做一个总体设计,将数据加载、处理功能、模型学习、训练预测功能集成到一个平台上,实现总体软件的编写。