及时精准地识别抽油机井工况对实现油井降本增效、提高油井产量具有重大意义。传统的工况识别方法主要利用示功图或电参数结合人工智能方法进行工况识别,以多源为研究载体的工况识别方法主要以泵示功图结合油井生产信息并采用多特征连接方式进行工况识别,而且多数工况识别方法需要大量的标记训练工况样本。随着物联网、大数据处理以及人工智能等新一代信息技术的飞速发展,海量多源数据的采集和存储促进了抽油机井工况识别研究的长足发展,但同时也凸显出一些问题:比如基于单一信息源的工况识别方法容易产生误报;基于多信息源的工况识别方法在识别效果和模型鲁棒性上有待改善;大量标记训练工况样本的需求影响现有工况识别方法的工程实用;多数工况识别提取的特征参数计算复杂量大且抽象,不利于分析;以通过模型计算得到的泵示功图或电功图为研究载体的工况识别方法中,阻尼系数和“除零”问题都会影响特征参数值精度计算。针对这些问题,本文深入探讨了如何有效利用大数据背景下抽油机井采油生产系统的多种实测信息源,运用多视角学习方法突破单一信息源工况识别局限性和传统多源工况识别技术瓶颈,并结合流形正则化学习方法,实现少量标记工况样本下如何能够进一步提高工况识别的精准率和实用性。论文主要工作如下:1.在分析抽油机井采油原理和9种典型工况特征规律基础上,针对目前多数抽油机井工况识别特征提取方法存在特征参数计算复杂量大、抽象不直观问题,为了更好地分析与判断油井工作状况,提出利用先验知识、专家经验结合机理分析进行特征提取;在通过示功图进行机理分析的基础上,针对目前抽油泵凡尔开闭点识别方法存在不适合海量实时数据的快速精准识别问题,为了获得更好的工况识别效果和工程实用性,提出一种基于八方向链码形状匹配的地面示功图凡尔开闭点识别方法。实验结果表明,该方法对凡尔开闭点的定位精准性优于已有的四方向链码多边形近似凡尔开闭点识别方法,更有助于特征参数值的精准计算。2.针对大数据背景下抽油机井采油生产系统特点以及目前抽油机井工况识别研究中存在的问题,为进一步提高抽油机井工况识别精准率和工程实用性,提出一种基于Hessian正则化多视角多核学习的抽油机井工况识别方法。首先通过先验知识、专家经验和机理分析,选择实测地面示功图、实测电功率和实测井口温度三个特征视角并进行特征提取,然后利用logistic损失函数建立Hessian正则化多视角多核logistic回归工况识别模型,最后采用交替优化算法求取最优解并进行分类识别。实验结果表明,该方法比单一信息源工况识别方法、传统多特征连接工况识别方法识别效果好,在适量标记训练样本下（每类训练样本个数的30%）该方法识别效果也较好,验证了该方法的有效性和实用性。3.通过分析标记样本较少时流形正则化结合支持向量机（SVM）的协同训练方法可以充分利用两个视角的互补性并结合大量未标记样本来极大改善分类结果特点,为实现在少量标注工况数据下能同时利用大量未知工况数据信息,且有效利用示功图和电参数两种常用测量参数,更进一步地提高抽油机井工况识别精准率和实用性,提出一种基于Hessian正则化SVM多视角协同学习的抽油机井工况识别方法。针对目前工况识别研究中存在的局限性,结合先验知识、专家经验和机理分析,选择实测地面示功图和实测电功率信号作为特征视角并进行特征提取,然后利用Hessian正则化SVM多视角协同训练算法建立抽油机井工况识别模型并进行分类识别。以SVM方法为基准的实验结果表明,该方法比单一信息源工况识别方法、传统多特征连接工况识别方法识别准确率高,且在少量标记训练工况样本下（每类训练样本个数的10%,甚至1%）该方法识别效果更优,从而验证了该方法的有效性及实用性。4.针对在示功图和电功图两种常用工况识别技术下特征规律相似的多种工况识别,尝试探讨在仅有少量标注工况数据下能够有效融合利用所采集的多种实测参数,通过充分挖掘多种实测参数数据之间的相关性来更进一步地提高抽油机井工况识别精准率和实用性,提出一种基于Hessian正则化多视角加权典型相关分析的抽油机井工况识别方法。首先针对目前工况识别研究中存在的局限性,结合先验知识、专家经验和机理分析,选择实测地面示功图、实测电功率信号、实测井口温度信号、实测井口压力信号四个特征视角并进行特征提取,然后利用Hessian正则化多视角加权典型相关分析算法和余弦最近邻多分类算法建立抽油机井工况识别模型并进行分类识别。以余弦最近邻方法为基准的实验结果表明,少量标记训练工况样本下（每类样本个数的5%-15%）,该方法比单一信息源工况识别方法、传统多特征连接工况识别方法识别精准度高,而且也比多种典型相关分析方法（如传统典型相关分析、多视角典型相关分析等）、传统多源信息特征提取方法（如主成分分析、核主成分分析等）对抽油机井工况的识别效果好,更加突出了该方法的有效性和实用性。