描述了一种由地震数据预测测井特性的新方法。分析的数据由一系列与某个 3D地震数据体相连的井的目标测井曲线组成。从 3D地震数据体计算了一系列基于样点的属性 ,目标是要导出一个多属性变换 ,即属性的某个子集与目标测井值之间的线性或者非线性变换。选定的子数据体是用向前逐步回归的方法确定的。传统交会图的扩展包括用褶积算子来消除目标测井曲线与地震数据之间的频率差异。在线性模式中 ,多属性变换方法要采用最小平方法计算一系列权值。在非线性模式中 ,则是用选定的属性为输入进行神经网络训练。对两种类型的神经网络 ,即多层前馈神经网络 (MLFN)和随机神经网络 (PNN)进行了评价。为了评价导出的多属性变换的可靠性 ,进行了交叉验证 ,即从训练数据体中按顺序每次剔除一口井 ,再由剩余的井重新导出这一变换 ,然后计算被隐去井的预测误差。该变换应用于地震数据体时 ,将合理误差 (所有被隐去井的平均误差 )用作为似然预测误差。该方法被用于两组实际数据。在每种情况下 ,当从单属性回归到线性多属性预测 ,再到神经网络预测过渡时 ,预测能力持续提高。这种改善不仅对训练数据的效果明显 ,对验证数据的效果也很明显。此外 ,神经网络法与线性回归法相比 ,分辨率也有明显的改善。