在未来的智能导向钻井过程中,如何准确识别油层以及储层参数预测是成功智能导向的关键一环。而常规识别油层及预测储层参数的方法是在地面利用实验获取或解释相关数据的潜在信息,该判别方法的滞后性,不能在井下实时对油层识别及储层参数预测。因此,主要利用随钻测井技术直接测量井下的随钻测井数据,建立随钻测井数据与油层识别及储层参数预测的井下实时模型,在井下为智能导向钻井工具提供井眼轨道设计依据,提高钻遇率。针对上述问题,本文将神经网络与油层识别及储层参数预测相结合,提出一种基于MPSO-BP神经网络的模型应用于油层识别及储层参数预测研究。本文在广泛调研人工神经网络的应用和油层识别及储层参数预测的方法的基础之上,开展了具体的研究工作:首先,基于研究区开展地震地质精细构造解释,建立了断层模型,反映出断裂的展布规律,确定岩性的变化以及油层的分布规律。之后,基于BP神经网络理论的研究,以岩性特征和油层分布规律为约束,建立MPSO-BP神经网络模型识别油层以及预测储层参数。最后针对油层识别的分类问题和储层参数的回归预测,设计了不同的MPSO-BP神经网络参数组合,建立起随钻测井数据基本具备的RMN、RLLS、GR、DEN、SP、AC多种测井数据与油层识别及储层参数之间的非线性关系,并测试了BP神经网络、PSO-BP神经网络和MPSO-BP神经网络模型性能。结果显示,MPSO-BP模型在测试集预测中取得了较高的预测精度,油层识别分类中准确率为95%,分别比PSO-BP神经网络、BP神经网络提高了6.3%,14.7%。在回归预测孔隙度中准确度为98%左右,相较于PSO-BP神经网络、BP神经网络分别提高了2.6%,13.4%;渗透率预测中准确度为98%,分别提高了4.3%,17.8%。该结果表明了MPSO-BP模型性能稳定,可应用在F区块其他油井识别油层及预测储层参数,是一种高效、可靠的油层识别及储层参数预测方法,为实现井下智能钻井提供一定的帮助。