岩性是地质描述的关键指标,能反映地下油气资源的空间分布,因此测井岩性解释对地质勘察及资源开发有着重要意义。目前传统测井数据驱动的岩性识别方法存在一定的局限性:1)测井数据存在异常值、岩性样本不平衡等问题,影响岩性识别模型的训练质量;2)原始测井表征中样本相互独立,无法表示相邻采样点、测井曲线之间的耦合关系;3)不同井或地区采集的测井数据分布具有差异性,导致跨域岩性识别模型的适用性不佳。针对上述问题,本文以中国鄂尔多斯盆地气田测井数据为研究对象,从测井数据处理和特征增强的角度出发,利用表征学习和主动学习理论方法,开展基于测井数据表征增强的跨域岩性识别方法研究,重点研究了测井数据存在非完备性、测井样本多尺度邻域关系表征缺失以及跨域数据分布差异性等问题,为提高测井岩性解释水平和油气资源勘探开发效率提供借鉴。本文主要工作如下:针对分类模型训练易受测井异常值和样本不平衡影响的问题,提出基于数据过采样和异常值检测的测井数据预处理方法。通过随机过采样（Random oversampling,ROS）算法在不改变样本的空间分布的情况下进行数据平衡,然后利用基于Copula的异常值检测（Copula-based outlier detection,COPOD）算法过滤异常样本,减少测井数据非完备性因素对岩性识别模型训练的影响。针对分类模型无法提取原始测井表征中的多尺度序列邻域信息且易受噪声干扰的问题,提出基于特征分解和过滤的测井表征增强方法。通过局部均值分解（Local mean decomposition,LMD）提取序列测井数据中的多尺度邻域信息,设计基于Shapley可加性解释的特征选择（Shapley additive explanation-based feature selection,SHAP-FS）算法过滤测井数据的冗余和噪声,提升易混淆岩性识别精度。针对跨域岩性识别中不同测井数据的分布差异性问题,提出基于主动表征学习（Active representation learning,ARL）的跨域岩性识别方法。设计基于委员会策略的主动学习岩性识别框架,用于学习目标域的测井数据分布;在此基础上,构建多粒度级联极限学习机模型,提取测井特征间的耦合信息,提高跨域岩性识别的精度和泛化性。通过验证对比实验表明,基于ROS和COPOD的测井数据预处理方法能在平衡少数类岩性样本的同时过滤测井异常值,为模型提供高质量的测井数据;基于LMD和SHAP-FS的测井表征增强方法能有效挖掘多尺度邻域信息并过滤冗余噪声,通过增强测井表征提高岩性识别精度;基于ARL的跨域岩性识别方法能高效地利用专家知识,挖掘跨域测井数据间的分布差异性和特征间的耦合关系,显著提升跨域岩性识别效果。在两组跨域岩性识别实验中,所提方法的分类精度能分别提升45%和23%。