卷积神经网络作为一种深度学习的研究方法,具有强大的特征提取能力,在大数据分析中效果显著,但仍存在分类能力不足的缺点。而极限学习机具有泛化性能好以及识别精度高的优势,然而处理大数据常常效果不理想。另外,面向石油测井大数据,亟需提高测井储层识别的准确率。为此,本文在研究卷积神经网络、极限学习机和群智能优化算法基础上,构建基于卷积神经网络和鸟群算法的极限学习机模型,并应用于实际测井储层识别。主要研究内容与创新工作如下:（1）基于多策略的鸟群算法研究。鸟群算法（BSA）是一种性能比较优异的进化算法,但是,BSA算法存在易陷入局部最优,收敛速度慢以及种群多样性不足等缺点。因此,提出融合多策略的鸟群算法（MMSBSA）,主要引入混沌权重和对称切线混沌加速系数以及高斯扰动策略,增强算法跳出局部最优的能力;采用混合多步选择和自适应步长因子策略,加快算法的收敛速度;通过小波变异策略,丰富种群多样性。采用21个标准测试函数验证算法性能,并将其与BSA算法和其他几种常用算法进行对比分析,实验表明所提出的MMSBSA算法的性能最优,实验效果显著。（2）多策略鸟群算法优化的极限学习机模型研究。为解决极限学习机在不平衡数据集中分类效果不理想的情况,引入加权极限学习机的思想,综合考虑测井数据类内类间的关系,提出一种高斯加权的极限学习机（GWELM）。为了提高极限学习机的识别精度和稳定性,进而提出基于多策略鸟群算法的进化极限学习机（MMSBSAGWELM）,主要采用多策略的鸟群算法（MMSBSA）优选极限学习机模型参数。通过UCI数据集的对比实验,MMSBSA-GWELM模型表现出理想的分类效果。（3）融合卷积神经网络的进化极限学习机及其在测井储层识别中的应用。由于卷积神经网络具有很强的特征提取能力,以及极限学习机具有很好的分类效果,为此提出融合卷积神经网络的进化极限学习机模型（CNN-MMSBSA-GWELM）。通过UCI数据集的对比实验,结果表明CNN-MMSBSA-GWELM相比于其他模型的识别结果,在多个评价指标中都表现出优越的性能。为了提高测井储层识别的准确率,面向测井大数据,构建融合卷积神经网络的进化极限学习机储层识别模型,主要包括测井数据的获取与预处理、卷积神经网络的测井特征提取、进化极限学习机训练和测井储层识别模型构建等过程。通过实际测井储层识别实验测试,结果表明所提出的识别模型准确率可达96.21%,与其他算法相比,其储层识别准确率得到进一步提高。