地震储层预测通过使用地震数据或者优选的地震属性获得断层、储层岩性或者储层参数。然而,随着石油和天然气勘探开发的不断深入,勘探对象已由常规油气藏逐渐向裂缝油气藏和岩性油气藏转变,传统储层预测方法的精度和效率已经满足不了对这些油气藏的预测要求。因此,发展高精度自动的断层识别和储层岩性预测技术对油气勘探开发有着重大意义。深度学习算法是目前人工智能领域非常热门的一个研究方向,卷积神经网络只需用已知的模式对卷积网络加以训练,网络就具有对输入输出之间的映射能力,能够较好的建立输入数据与输出数据之间复杂的非线性关系。本文将卷积神经网络算法应用到断层识别和储层预测中,研究了基于Le Net卷积神经网络的断层识别,确定出断层裂缝的发育带,继而研究了基于U-Net卷积神经网络的储层预测,在确定的断层裂缝的发育带中寻找储层。传统相干属性在预测断层时存在断层假象以及易受噪音影响等缺点,论文首先给出了基于S变换的多谱相干属性提取方法,有效解决传统相干属性的不足之处,也为基于Le Net卷积神经网络的断层预测提供了输入数据。然后针对工区内断层的特点,通过实验分析确定了网络的相关参数,获得了较好的训练效果,利用该Le Net网络模型对工区的断层进行预测,准确率明显高于传统方法。针对工区的岩性数据特点,在U-Net卷积神经网络中加入残差模块,直接将输入信息绕道传到输出,保护了信息的完整性,使得整个网络只需要学习输入、输出差别部分,有效解决了较深网络中易出现的梯度消失的问题。经实际数据测试,发现基于改进的U-Net卷积神经网络在储层岩性预测以及“甜点”储层预测上均能取得较好的效果。