利用地震资料进行油气藏储层预测一直以来是油气勘探研究中的热点及难点,其主要原因是由于地震资料与储层参数之间的关系比较复杂。特别是目前油气藏从常规油气走向非常规油气、从砂岩储层走向致密油气储层和复杂的碳酸盐岩储层,地球物理方法在储层预测方面的应用难度增大。精确建立原始海量数据与地震储层相关参数之间的对应关系有着极为重要的意义。近年来,随着人工智能技术的快速发展,能够解决强非线性问题的机器学习算法在信号分析与大数据处理中得到了很好的应用。因此,论文正是基于人工智能技术快速发展的背景下,开展利用机器学习算法进行油气藏储层预测方面的应用研究。深度学习是机器学习领域近年来迅速发展的方法,相比于传统的线性和浅层机器学习方法,深度学习方法具有深度提取大数据特征和准确率高的优点。本论文完成了利用深度学习算法进行储层预测的研究工作。首先,开展了深度学习方法的基础研究,使用Tensorflow库设计并编写了深度残差网络模型,并利用cifar10数据对模型进行了测试,分析了不同参数对模型结果的影响。其次,利用深度残差网络建立了常规的测井曲线和孔隙度之间的非线性关系,完成了对井孔隙度的预测。最后,通过深度残差网络技术和地震属性技术分别完成了对室内物理模型数据的裂缝预测和对实际地震数据的储层参数预测。在裂缝预测应用中,利用地震属性技术提取龙岗地区与裂缝相关的地震属性,将K折交叉验证和Focal＿loss损失函数应用到残差网络对裂缝进行预测,结果显示深度残差网络模型在地震属性裂缝预测中有较好的测试效果。在储层参数预测应用中,选用实际复杂碳酸盐岩储层进行参数预测的网络测试。利用深度残差网络方法建立地震数据和孔隙度之间的非线性对应关系,完成了对工区目标层孔隙度的预测,从连井剖面和孔隙度切片的结果可以看出,利用地震预测孔隙度与井孔隙度吻合,切片上的孔隙度范围与研究区的低孔隙度特点相符。通过模型数据和实际数据的研究表明:（1）深度残差网络方法相较于传统的卷积神经网络有更好的收敛效果。（2）深度学习方法能够深度挖掘数据的深层特征,在表征地震数据和储层参数的非线性关系方面表现出了很强大的能力。（3）将深度学习方法与井震数据相结合进行储层预测是可行的,并且有比较好的应用前景。