随着大部分油田进入中晚期开发阶段,现阶段油气井的勘探开发主要面向非常规储藏资源,而受到当今紧张的国际关系和新型冠状病毒全球蔓延对石油供需的影响,原油价格即将长期处于较低水平。精细储层描述对于提高勘探质量以及降低生产开发成本起着至关重要的作用,其中利用测井数据进行储层岩性识别工作是精细储层描述中重要环节。为此,本论文以现代信号处理与分析、机器学习与模式识别技术为依托,致力于有效提升井间测井曲线地层信息表达能力,开展了基于集成聚类精细剖分的储层岩性识别的一系列研究。（1）针对现有岩性识别方法所构造基本识别单元无法充分利用测井信号曲线连续性提供的上下文信息的问题,提出了基于测井数据元对象表征的岩性识别研究。该方法借鉴图像领域中面向对象的主要思想,旨在于挖掘测井信息中潜在关联信息。具体地,先对原始测井数据依靠测井特性进行层段分割,得到多个层段元对象,然后从统计特征、形态特征和地质属性特征等多角度进行特征提取工作,最后在获得的丰富特征空间上利用分类器进行岩性识别。通过多种不同分类器的验证实验,采用本方法的岩性识别准确率及各子类岩性精度和召回率均出现显著提升。（2）针对目前测井数据层段分割方法大多关注奇异值,容易受测量误差影响等问题,以及进一步提升元对象划分的准确性,提出了基于集成聚类的测井数据层段分割方法。该方法集成了多个K-means聚类器,为了能对测井数据有效聚类,提出了局部可信赖空间、差异化生成基聚类器以及基簇关系的构建,并采用谱聚类方法进行基簇关系图分割。通过实际测井数据的分层实验,该方法能有效避免奇异值的干扰,增强了层段划分的有效性,并在元对象特征的岩性识别实验中获得较大提升。（3）针对现有机器学习算法对从业人员调参经验要求高,不利于部分机器学习算法的应用推广问题,本文提出了基于差分进化和XGBoost的岩性识别方法。该方法以具有优秀性能的XGBoost作为基础分类器,采用差分进化的方法对分类器的参数种群迭代优化,并最终选取最优的模型参数。通过对原始数据和元对象特征数据的岩性识别对比实验,本方法识别准确度更优,能充分发挥XGBoost的优秀性能,并且具有较好的识别稳定性。