测井信息是地层岩石物理性质的反映,而沉积是地层岩石物理性质的重要控制因素。测井资料是油气储层沉积学研究中基础而重要的信息来源,测井相则是测井信息与储层沉积学特征之间的桥梁。但是测井相的研究方法或是使用全人工的方式,手动对比测井曲线图进行识别分析,或是针对某一研究区域建立数学模型,这就带来了测井相识别过程的效率低、精度低和泛化能力差等问题。由于实际测井勘探过程中存在不可避免的系统误差,导致测井数据存在数据异常点和连续数据缺失问题。本课题对数据异常点进行了删除和插值处理,对测井数据进行了校正和归一化,建立了基于随机森林的自然伽马数据预测算法,对缺失的数据进行了填充,构建了训练所需数据集。卷积神经网络（Convolutional Neural Network）是一种通过反馈算法不断优化的非线性模型,应用于众多实际问题并取得良好的成果。本课题根据测井曲线存在箱形、钟形、漏斗形和齿形等模式的特性,使用图像模式进行测井相识别,构建了4类测井相数据集,通过多方法融合进行了数据增强;基于支持向量机优异的小样本训练能力和泛化能力,结合卷积神经网络构建测井相识别模型,并对模型进行了优化,提高了效率,增强了泛化能力。针对实际地质研究中存在的识别精细度问题,本课题基于小波变换算法提出了一种多尺度测井相识别单元划分方法,实现测井曲线的多尺度变换;针对识别过程中存在的测井相单元划分问题,设计了一种基于极值分割的数据划分方法,实现了测试数据划分;为了验证提出的测井相识别方法的有效性,建立了基于本课题数据沉积环境的测井相-沉积微相对应表,实现了测井相到沉积微相的判别。实验分析表明,基于随机森林的自然伽马数据预测方法能够进行缺失数据填充。基于卷积神经网络的测井相识别模型相比较其他算法具有更高的准确率,更强的泛化能力。基于小波变换的多尺度测井相识别单元划分方法能够解决地质研究中的实际问题,模型识别结果表现良好,并且能够为实际研究工作提供支持。