目前，中国很多油田的薄层产量已经占到油田总产量的一定比例，成为这些油田原油产能的主要增长区，但由于薄层的测井响应受围岩的影响，使得测量值难以反映地层的真实情况，造成了薄层区域探明及储量复算、产能评价和开发方案制订等瓶颈问题。另外，如何摆脱靠人工经验的储层识别也是油气田开发的重要课题。因此，研究校正薄层测井曲线响应方法以及储层识别问题具有积极的意义。 本文通过对密度、伽马、电阻率测井响应曲线原理研究，提出了针对上诉三条曲线的校正技术方法和模型，在曲线校正后应用PNN模型识别储层性质，形成了一套较完整的适合于薄层区域的测井响应校正及油水层识别技术。 提高密度测井曲线垂直分辨率是通过对重新组合长、短源距探测器响应的算法来提高补偿密度曲线的垂直分辨率，并加入井眼影响校正因子和相关性因子；自然伽马测井模型从基本原理出发，扣除井的影响，计算井筒、地层及其上下围岩所占探测球域体积及其重心到探测器的距离，以此建立各单元体对伽马测井信号贡献的权函数，通过权函数逐层计算不同厚度地层条件下各的单元体权因子，实现自然伽马曲线高分辨率处理；电阻率校正模型应用“分配率匹配”模型，应用低分辨率曲线提高为高分辨率曲线：曲线校正后，利用常规测井资料并且结合校正后的密度、伽马、电阻率等三个对判断油水层有利的指标，通过概率神经网络模型识别储层流体性质，较以前的模型，不仅极大的提高识别正确率，同时与普通神经网络相比较，提高了网络的运行速度和实用性。