鄂尔多斯盆地上三叠统延长组致密砂岩的勘探开发对保障我国的能源安全具有重要意义。因此,在整体特低-超低孔渗的背景下,识别其中具有相对高孔高渗带的优质储层,则可为其他地区致密砂岩储层的近一步勘探开发提供借鉴。研究区致密砂岩储层非均质性较强、岩性和成岩作用复杂,给储层质量的准确评价带来了巨大的挑战。传统的储层质量评价方法存在无法定量化描述,或者定量化描述后的准确性不高,亦或是虽有较高的准确性,但花费的成本较高等问题。这就为通过人工智能的研究方法识别优质储层留下了研究的空间。本文基于岩心观察与描述,采用物性测试、铸体薄片鉴定、扫描电镜、压汞曲线等常规测试方法,综合分析了储层的物性特征和微观孔隙结构特征;明确了研究区致密砂岩储层的成岩作用及物性改造特征。结合过程驱动下的岩相-成岩相的研究,探讨了致密砂岩储层的控制因素,并从时空分布规律的角度对储层进行了系统分类。在此基础上,应用可解释的机器学习模型,建立了可靠的储层孔隙度和渗透率的预测方法,为高质量的储层识别奠定了重要基础。最后,在基于深度学习预测的岩相约束下,进一步基于机器学习的新思路对储层质量进行评价和预测,并绘制了其空间分布特征。这一研究过程证明了人工智能的预测方法可充分挖掘各数据间的内在联系和潜在信息,可以可靠地为快速评估和预测储层质量的提供科学依据。本论文取得的主要认识有:（1）明确了研究区延长组致密砂岩储层目前正处于中成岩A期,成岩作用具有强烈压实、差异溶蚀和多期胶结的特征,早成岩阶段的压实作用是导致储层致密化的决定性因素。（2）分析出岩相与成岩相的耦合控制了致密砂岩优质储层的分布,划分了三种岩相和五种成岩相类型。构建了基于过程驱动的岩相-成岩相识别结构模型,进而总结出八种岩相-成岩相组合类型。在储层类型聚类分析的基础上,八种岩相—成岩相组合又聚合成满足储层时空分布规律的四类储层,从Ⅰ类到Ⅳ类储层物性依次变差。（3）提出的可解释的PSO-XGBoost模型在致密砂岩储层物性参数的高精度预测方面优势明显。对比分析了两种传统的数学回归模型,五种常用的机器学习模型以及三种常用的深度学习模型,结果表明,可解释的PSO-XGBoost模型在物性参数预测方面更具优势,拥有最低的均方根误差,可有效提高储层物性参数预测的准确性和可解释性。（4）构建的混合1D CNN-LSTM模型在识别岩相方面更加准确。该混合模型明显优于单独的CNN模型和LSTM模型,表现出了更强大的性能,其平均macro F1-score为0.873。同时,计算试验还表明,经过BSMOTE算法优化后的数据可有效提升模型的整体分类准确率。相比未处理过的数据,分类的平均macro F1-score提高了7.5%,明显地提升了模型的泛化能力。（5）建立了以梯度提升决策树算法为核心的储层质量预测模型。对反映四类储层以及泥岩非储层特征的测井数据进行挖掘,构建出可靠的储层质量样本数据集。结果表明,GBDT模型精度可达89%,与常规方法以及常用的人工智能预测方法相比,GBDT算法都体现出了相当的有效性和可靠性。最后,基于GBDT模型的单井识别结果对研究区优质储层的三维空间展布特征进行准确而快速地预测,提出当前研究区的南部及东南部的优质储层可作为未来研究区延长组的勘探远景区。