在当前原油生产中，有杆泵抽油方式占据很大比重。当油田开发进入中后期，油井进入到非自喷阶段，即供液不足时，会导致油田产量降低、泵效降低、每吨油所耗电量增加等问题。因此准确预测地层的供液的能力对提高原油开采效率和提升油田经济效益具有重要意义，而通过对动态液位的监测就能够更好的实现对地层供液的能力的准确预测。在油田生产中，油田一般使用基于声波反射原理的回声仪来记录反射声波信号从而获得动液面，其存在设备笨重、停井测量、成本过高等问题。在本文，将软测量技术应用到动态液位的预测中，研究了基于高斯过程回归的油井动态液位检测方法。油井工作现场情况复杂，环境恶劣，属强非线性系统。而高斯过程回归是基于贝叶斯理论和统计学习理论发展起来的一种全新机器学习方法，适于处理高维数、小样本和非线性等复杂的回归问题。与神经网络等相比，该方法具有容易实现、超参数自适应获取、输出具有概率意义等优点。　　首先，分析了抽油井的基本工作原理，以及对现场的生产数据报表进行分析，筛选出软测量建模所需的辅助变量。其次，分析了高斯过程模型的结构特点，利用筛选出的输入输出数据建立高斯过程的协方差矩阵，然后采用极大似然法和共轭梯度法得到最优超参数，由此得到了动态液位的高斯过程模型，并与传统的神经网络模型作对比。最后，分析了传统的以共轭梯度求取超参数存在依赖初值、容易陷入局部最做优等问题，采用了模拟退火最优化算法进行求取最优超参数。结果表明基于模拟退火-高斯过程模型的建模方法，在油井动态液位的预测中有较好的结果。