剩余油分布的预测有很高的收益，因此引起世界各国对剩余油分布进行研究的重视。经过多年的开发，目前地下油水关系变得日趋复杂，有必要进行剩余油分布规律的研究。　　 本文分析了多种剩余油预测分析技术与方法。对神经网络、数据挖掘等的理论与相关算法进行了分析、讨论。神经网络具有并行处理、自适应、自组织、联想记忆及容错性和健壮性等特点，能够探测出数据集合的非线性关系，在数据挖掘中常常采用神经网络方法。　　 研究了对影响剩余油分布的主要参数－含油饱和度进行预测的软件系统的设计方法与实现技术。此系统可实现使用多种神经网络模型来完成剩余油分布的预测。神经网络模型可选：BP神经网络和RBF神经网络。BP网络中又可选激励函数：Sigmoid型激励函数和TAN激励函数；可选算法：传统算法和变步长算法；且在力求保持传统BP算法简洁性的基础上，使其神经元个数、目标精度、迭代次数动态可调。　　 此系统可依据包含有井位置等参数的已有数据，通过基于神经网络的数据挖掘技术进行训练，建立起学习网络，训练完成后，对比这些预测模型，选出最优模型。在已知其它原始参数的情况下，就可以利用此预测系统对其他未知井区进行剩余油分布的预测。　　 研究结果表明，改进的BP网络、尤其是RBF网络计算方法可以克服常规测井解释中所遇到的高度复杂非线性建模的难题，极大地简化了解释中的数学手段，同时与传统BP神经网络相比精度更高，收敛速度更快。　　 通过对预测值与实际数据的对比与分析，证明该软件具有理想的预测效果并有良好的实用价值。