地层精细描述是油气勘探与开发的关键工作,复杂岩性的精确识别是地层解释工作中的最重要环节之一。随着油气行业数字化程度的加深,传统的岩性识别方法难以适应与日俱增的数据维度和量级。因此,亟需开展基于测井数据的岩性识别智能算法研究,尤其是深度学习算法研究,以推动地层解释相关领域的数字化与智能化发展。本文以实现数据处理过程的智能化和岩性识别效果的精细化为目标,提出了测井数据自动处理方法,搭建了深度残差网络（ResNet）、双向长短期记忆网络（LSTM）以及融合神经网络,实现了基于测井数据的岩性智能识别,主要研究内容和结果如下:（1）设计并实现了一种高效的数据处理流程,设计了测井数据从采集到存储的全生命周期自动化处理过程,包括数据存储设计、ETL设计、数据异常和缺失识别、数据智能补全和数据维度增强等环节,初步实现了测井数据预处理的自动化与智能化,并进一步提升了数据质量。（2）针对测井数据的特点,本文分别设计了基于一维卷积的ResNet模型、以测井深度为时序方向的biLSTM模型,分别以不同测井特征间以及相邻测点间数据的内在联系为学习重点,在现场数据集上进行了训练和测试,两种模型的综合F1值分别为0.75和0.76。（3）基于ResNet和biLSTM模型的优点,提出了融合神经网络。从网络结构层面对模型进行优化融合设计,通过对两种网络的中间层输出进行加权组合,将组合权重作为整体网络的学习参数,进一步提升了岩性识别的效果,模型的F1值提升至0.84。并将所有深度神经网络与BP、随机森林、SVM模型相对比,结果表明,神经网络尤其是深度神经网络效果明显更优。本论文对于测井数据自动处理流程和深度神经网络岩性识别模型的设计等研究具有指导意义。