近年来，天然气作为一种优质高效的能源和重要的有机化工原料，在世界能源结构中越来越受到重视。在我国石油需求量日益增加的情况下，大力发展天然气能源，改善我国的能源结构，已成为当务之急。　　 地球物理测井是对钻井内实际地质情况有条件地间接反映，它是油气田勘探与开发的一种重要技术。储层中存在天然气时会导致储层孔隙度产生变化。随着孔隙度和含气多少的不同，各种常规的测井曲线将呈现不同的响应特征。常规气层识别方法是根据这些响应特征进行比对并利用经验公式进行预测，因此存在一定的人为因素。而测井数据具有维数高、数量多的特点，存在很大的随机性和不确定性，单纯利用比对的方法难以体现数据的整体特征，不利于知识的发现。　　 由于神经网络具有联想记忆、非线性映射、分类与识别、优化计算、知识处理的功能特点，近年来国内外学者纷纷采用神经网络对测井数据进行数据挖掘和知识发现。涌现自组织特征映射ESOM是在SOM原理的基础上结合涌现的思想产生的，其输出层拥有大量竞争神经元，并利用U矩阵等可视化方法将聚类结果映射到超环面上。ESOM克服了SOM在通常情况下由于输出层神经元选取不足造成竞争和协同作用不充分而产生较大误差、复杂数据集类簇间易相互重叠以及边界神经元难以归类等的问题。　　 针对上述问题，本文采用ESOM建立气层识别模型，从而对测井数据进行聚类分析和可视化，挖掘其内在规律，并在此基础上利用ESOM神经网络训练后产生的模式分类器对储层样本模式进行分类和识别。实际应用过程中，鉴于测井响应数据集合中数据实际分布的特点，本文采用了一次分类和二次分类的识别策略，其结果达到了较高的精确度。结果表明，该模型性能良好，且对解决气层识别的问题可行且有效，具有潜在的利用价值。