在非常规油气的勘探开发中,裂缝和孔洞的定位和识别一直是储层安全高效开采的关键技术问题。超声成像测井技术由于具有无接触、高分辨率、井眼全覆盖的特性,自诞生以来广泛用于井壁地质特征成像、套管检查等方面。本文以井壁缝洞地质特征的识别为目标,从高分辨率成像、数据集生成、以及缝洞智能识别三个方面对超声成像测井图像井壁地质特征的定位和识别进行了研究。首先对超声成像测井中高分辨率成像的关键器件——超声换能器的声场特征进行分析来研究系统对井壁地质特征的分辨率。建立了聚焦超声换能器的数学模型,推导了换能器声压分布的公式,分别采用数值模拟和有限元分析模拟了不同频率和几何尺寸换能器的声场特征。发现聚焦超声换能器的聚焦效果随换能器频率和曲率的增加而增加,相应的横向分辨率也随之增加。对于不同分辨率要求的地质勘探作业提供了一定的指导。针对超声成像测井资料数据量较少、含标签数据不足的问题,本文分别采用计算机模拟数据和数据增强两种方式来扩充数据集。考虑到沿井眼深度图像展开的二维井壁图像左右两端的连续性,对现有的图像纹理合成算法进行改进,增加了纹理合成中图像左右两侧的连续性;提出了三个高斯函数叠加来模拟不规则孔洞形态的方法;通过随机合成裂缝和孔洞特征大大扩充了井眼超声幅度图像的数据集,增添了数据的多样性。提出了一套针对井壁图像的数据增强流程,可以很好的保留实际的数据特征,增强了数据的表征能力。分析表明,井壁图像地质特征的识别与机器学习的语义分割任务比较接近,采用改进Unet算法对模拟数据和结合了实际测井资料的模拟数据进行训练,在仅仅只有模拟数据训练的情况下网络模型对实测资料中井壁地质特征的识别效果较好,充分说明了模拟数据的合理性;在实测数据与模拟数据联合训练的情况下,模型预测的准确度和抗噪性能有了一定提升,对于复杂分布的微小裂缝和孔洞预测准确度欠佳;通过不同语义分割网络模型的对比说明了改进Unet算法的优越性。在实际超声成像测井资料解释中可以考虑以机器模型预测结果为辅,人工解释为主的预测方式。