测井解释中识别测井剖面上地层的岩性,尤其是储层的岩性,是石油勘探和开发中的一项重要的基础性工作,在油气层识别中不可或缺。常规测井测量了地层的放射性、电阻率、密度、孔隙度、声波时差等岩石物理参数,这些岩石物理参数是地层岩性、物性和含油性的单一响应或综合响应,因此,利用测井资料划分地层的岩性,从理论上讲是可行的,大量的实践也表明是有效的。与其它勘探方法如取芯相比,利用测井资料识别地层岩性具有速度快、费用低的特点；与其他数学方法如交会图方法相比,BP人工神经网络具有更好的识别效果,因此受到人们的青睐。常规测井数据处理方法以线性数学方法作为运算基础,由于实际储层的非均质性,传统的岩性识别方法很难表征储层的真实特性。BP神经网络以其分布处理、自学习、自组织、高度非线性和容错能力,为有效的利用测井信息进行岩性识别提供了一种新的方法。从目前文献来看,所建立的模型一般只针对一种岩性且只在很少的几口井中进行了测试,本文针对砂泥岩、碳酸岩和火成岩三种岩性利用BP人工神经网络建立模型,对砂泥岩、碳酸岩和火成岩岩性储层进行岩性识别,并在工区不同岩性储层中推广应用。本硕士论文的主要工作如下：1.对砂泥岩、碳酸岩和火成岩岩性储层的测井资料和岩芯取芯资料进行了深入分析,提取了电阻率、自然伽马、密度、声波时差四个特征参数,设计了针对不同特性储层的BP神经网络模型。2.利用所建立的BP神经网络模型实现了砂泥岩、碳酸岩和火成岩不同岩性的识别,并取得了较好的辨识效果。3.将该方法用于实际工区的测井解释中,先后完成多口水平井的岩性识别工作,取得较满意的解释效果。