本论文主要研究离散过程神经网络算法的设计方法,以及在储层识别中的具体应用。过程神经元网络的输入为时变的连续函数,不便于直接处理离散样本。针对这一问题,第一,提出了基于分段线性插值函数的过程神经网络训练方法。第二,提出了两种基于数值积分的离散过程神经网络训练算法。分别采用三次样条积分和抛物插值积分直接处理隐层离散样本和权值的时域聚合运算,输出层采用普通神经元,采用Levenberg-Marquard算法实现网络参数的调整。第三,提出一种基于数值积分的多聚合离散过程神经网络算法。第四,提出一种基于序列逐点映射的过程神经网络模型及算法。第五,提出了一种量子衍生离散过程神经网络模型及算法。为提高离散过程神经网络的训练能力,提出了一种改进的量子行为粒子群优化算法。该算法也采用量子势阱作为寻优机制,但提出了新的势阱中心建立方法。在每步迭代中,首先计算个体适应度,取前K个适应度最好的个体作为候选集,然后采用轮盘赌方法在候选集中选择一个作为势阱的中心,调整其他个体向该中心移动完成一步优化。在优化过程中使K值单调下降,以期达到探索和开发的平衡。将提出的算法应用于量子衍生离散过程神经网络的参数优化,实验结果表明提出的算法比原算法的优化能力却有明显提高。为丰富离散过程神经网络的算法设计理论,提出了一种离散卷积过程神经网络模型及算法。该算法采用输入序列与权值序列的离散卷积处理时域聚合运算,可以避免传统过程神经网络的序列拟合和正交基展开带来的误差;采用引力搜索算法和L-M算法相结合的方式实施网络训练,可以提高网络的收敛能力。实验结果验证了提出算法的优越性。针对储层识别问题,研究了基于离散过程神经网络的识别方法。主要包括储层的概念及分类,储层识别的影响因素,油田水淹层的水淹级别识别方法,油层、气层、水层、干层、油气同层、气水同层等的识别方法,结合矿场实际的测井解释数据库提出了基于离散过程神经网络的储层识别方案。该研究为复杂储层的识别问题提供了新途径。