社会经济快速发展,能源需求日益增大,裂缝性油气藏的勘探开采意义重大。成像测井中的裂缝特征显示相较于常规测井资料更为明显清晰,这让成像测井图片成为裂缝检测的主要数据资料。但人机交互的裂缝检测工作量巨大,同时,钻井勘探工程浩大,搜集足够多可用的成像测井裂缝图像非常困难且耗时。本文致力于在少量裂缝图像数据情况下即小样本条件下,研究成像测井图像中裂缝的自动检测算法。为了提高裂缝检测效率,本文在超声测井图像的基础上,根据井周裂缝在测井图像中连通的特性,设计了一种阈值分割与蚁群算法相结合的算法——组合最优路径搜索策略。该算法将测井图像进行阈值分割,再利用投票累加机制建立图像中裂缝搜索空间,同步记录各个子搜索空间中裂缝信息来实现裂缝的快速自动化检测。实验结果表明,组合最优路径搜索策略算法能避免裂缝检测落入局部最优解的陷阱,极大程度地过滤掉非裂缝的信息,提升收敛速度;与常规蚁群算法相比耗时减少98%以上,同时也展现出良好的识别准确率,可以很好地辅助测井解释人员进行测井资料解释工作。针对组合最优路径搜索策略信息采用单一、不连通裂缝识别度低等缺陷和测井图像数据集缺乏、带标签数据集不足等问题,本文提出一种基于卷积神经网络的无监督领域转移分割网络,从图像的最小单位,像素层面实现裂缝的自动识别检测。该算法的核心是利用对抗学习,包括生成器和鉴别器,促进模型在目标域中生成与源域图像相似的裂缝分割。还引入注意力模块来抑制语义分割结果中的冗余噪声。实验结果表明,在测井图像数据不足的情况下,该算法也能在精度和视觉质量方面表现出良好的效果,同时训练好后的网络模型在裂缝检测上还具有速度快、鲁棒性好、抗干扰能力强等优点。本文算法可以利用计算机自动识别成像测井图像中的井周裂缝,减少了人机交互裂缝检测的工作量;同步并行的思想大大提高了裂缝识别提取的速度;领域转移的方法,让裂缝检测在数据缺乏的情况下也能实现高准确率的识别提取。本文工作为后续裂缝的快速检测和测井数据不足情况下的裂缝检测提供了一个有益的参考方向。