横波速度在油气储层勘探开发中发挥着重要的作用,准确的横波速度是地震波场正演模拟、叠前反演、流体预测和AVO分析的必要信息。然而横波资料获取困难且成本昂贵,实际测井数据中常常缺少横波速度,不能满足现阶段实际工作的需要,横波速度预测研究已成为岩石物理研究的重要内容之一。考虑到横波速度与其它储层参数之间存在非线性相关,并且该关系复杂难以用解析解表征,可利用深度学习实现横波速度预测。本文提出一种基于注意力机制和双向长短时记忆网络的横波速度预测方法（ATBLSTM）。该方法以常规测井曲线作为输入,以横波速度作为输出,首先利用注意力机制为储层参数分配权重,自动聚焦对横波速度预测贡献大的储层参数;然后通过双向长短时记忆网络充分考虑横波速度曲线纵向上的时序特征,挖掘横波速度与其它储层参数间的数据关系,进而获得横波速度与其它储层参数之间的学习模型。将该方法应用于挪威北海Volve油田及我国西南某陆地工区的实际测井数据,并将预测结果与基于常规双向长短时记忆网络、门控循环神经网络以及传统经验公式等方法的预测结果进行对比。结果表明,该方法储层参数权重分配合理,预测结果与实测横波速度的误差更小、相关系数更高,能够有效提高横波速度预测精度,具有较好的稳定性。考虑到测井数据只能提供一维稀疏横波速度信息,不足以用于储层性质估算、流体识别等工作,本文基于卷积神经网络和双向长短时记忆网络,将叠后反演与深度学习方法相结合,进一步提出一种利用叠后纵波阻抗预测横波速度的方法（C-BLSTM）。该方法以测井纵波阻抗曲线为输入特征,以横波速度曲线为训练标签,首先利用一维卷积神经网络提取局部特征,并结合双向长短时记忆网络训练横波速度预测模型;然后将叠后反演得到的纵波阻抗数据输入模型,得到横波速度数据体。将该方法应用于MarmousiⅡ模型及挪威北海Volve油田三维实测地震数据,较好的预测出了三维横波速度体,并利用横波速度测井曲线对预测结果进行了验证,吻合较好,说明该方法具有较好的泛化能力和实用性。