我国大部分油田进入高含水开发阶段,掌握地下剩余油分布规律和特征一直是油藏工程师的主要工作目标。随着人工智能技术的发展,快速的对海量数据进行分析,并提取有效信息成为可能。老油田在开发历史过程中积累了大量的数据资源,具备了进行数据挖掘的基础条件。本论文拟将机器学习方法与油藏数值模拟技术相结合,形成一种新的剩余油预测方法,实现人工智能技术在油气田开发领域的应用。按照机器学习的研究思路,论文主要进行了如下工作:（1）首先分析了数据的来源和种类,确定了以数值模拟计算结果为主要数据来源,其他资料来源为辅助来源的样本产生原则。（2）以油藏工程理论和渗流力学原理为指导,对储层静态参数、流体参数、生产动态参数等参数开展参数融合与清洗,构建反映油藏流体流动特征与构造差异的归一化样本库。（3）利用极限梯度提升树（XGBoost）、长短期记忆网络（LSTM）分别构建平面剩余油分布预测模型,通过网格搜索方法进行模型参数调优,用五折交叉验证方法评价模型的预测效果,对比模型训练耗时与预测精度,筛选出XGBoost预测模型为最优解。（4）在平面剩余油分布预测结果的基础上,建立物质守恒约束,保证储层剩余油变化符合质量守恒规律。（5）基于当前时刻油藏含油饱和度数据,利用动态劈分方法求解三维油藏层间液量分配情况,用于计算下一时刻各层预测所需的输入特征数据,将三维多层剩余油分布预测转化为对多个二维平面剩余油分布预测,同时实现了油藏剩余油分布的递归预测。应用搭建好的预测模型对标准井网形式的平面与三维油藏剩余油分布进行预测,与数值模拟结果比较,7年内的准确率高于98%,并指出模型预测误差主要集中于油藏边界与油水前缘位置处。在学习部分生产历史的基础上,对实际油藏剩余油分布进行预测,与数值模拟结果比较,7年内预测准确率可以达到94%以上,预测速度是数值模拟方法的8倍以上。论文尝试使用剩余油分布预测思路对地层压力分布进行预测,预测效果同样满足矿场要求,彰显了机器学习的巨大应用价值。