水驱开发作为主要的油藏提高采收率手段,具有极其广泛的应用。然而目前大部分油藏历经长期水驱开发后剩余油分布杂乱且分散,难以有效认识水驱油藏动用规律,导致渗流场调整难度大,影响水驱开发效率。国内学者通过确定渗流场影响参数对渗流场进行表征与评价,为渗流场调整决策提供支撑,然而其方法主观性较强。国外学者多通过流线模拟等方法优化水驱油藏注水制度,但其方法在复杂地质条件下方法收敛性较差。因此,本文以GX1Q1复杂断块油藏为例,通过稳健的数学方法对渗流场进行表征和评价,为复杂渗流场调整决策提供合理支撑,提高高含水油藏水驱动用程度。本文提出了一套用于水驱复杂油藏的渗流场表征及评价方法,学位论文内容如下:（1）针对多井且生产历史较长的渗流场,依据数值模拟结果中网格节点间流体流量交换量,通过MATLAB的开源工具箱中的流场诊断算法计算渗流场传播时间分布,依据任意井传播时间大小划分网格的归属的注入井与采出井,并划分注采井控制范围,便于对复杂渗流场进行可视化表征。依据传播时间大小对控制范围内网格节点排序,并作流动能力-储集能力诊断图,通过洛伦兹指数及非均质流动指数评价该局部渗流场流动非均质性。综合考虑流动非均质性及可动油储量评价注入井驱油潜能,为流场调整提供依据。注入井驱油潜能评价可基于单一射孔段进行,为渗流场精细化方案调整提供理论支撑。（2）以空间位置,流量大小及油水体积比作为特征,通过密度峰值聚类算法选择合理聚类数,并对网格节点进行流场聚类,以聚类算法将聚类结果作为具有不同驱油能力的渗流场,评价局部渗流场开发潜能,识别无效注水循环或开发潜力区域,为渗流场提供宏观调整的依据。（3）拟合采出井历史生产数据,建立机器学习模型,捕捉可能存在的任意采出井采油量同历史数据关系。方法以采出井日采油量及注入井日注水量作为输入数据,预测采出井未来日采油量,首先通过向量自回归算法建模注采井间及采出井间历史流量关系,并通过正则化系数提高模型泛化性能。通过2017年5月前数据预测2017年5月至2018年3月采出井采油量,精度可达86.92%,且预测可进行不确定性分析,确保预测结果的安全性与准确性。方法可对复杂数据关系建模,精度高,计算时间短,并可通过模型模拟注水井增注效果评价注水井采油贡献量,在数值模拟拟合难度较大时保证评价方法稳健性。（4）通过 Technique for Order Preference by Similarity to an Ideal Solution（TOPSIS）综合评价方法对流场诊断及机器学习评价结果进行综合评价,由于两者基于不同假设,且评价结果相近,因此均是有效评价方法,将其进行综合评价可提升评价准确性。通过渗流场调整算法将流场诊断,机器学习及流场聚类模块评价结果进行结合,依据综合评价结果进行注水调整,数值模拟采收率在2年内提升0.3112%,产油量多出34770m3,表明通过评价结果对渗流场进行调整可有效提高水驱能力。最终,通过MATLAB编程语言实现流场聚类及流场诊断功能,并通过Python编程语言实现机器学习模块功能,保证算法实用性与便捷性。通过软件的评价结果可为渗流场综合调整提供理论支撑,并进一步提升复杂高含水油藏水驱效率与动用程度。