在抽油机井生产过程中,及时掌握抽油机井工况,实现抽油机井的实时监测和科学管理,一直是抽油机采油系统需要解决的重要课题。随着采油技术自动化的发展,我国大多数油田已经在部分油井上实施了抽油机井远程监测技术,可以实时获得大量的油井生产数据。论文借助细胞神经网络这种人工智能技术,在传统工况诊断理论的基础,探索对示功图识别的新方法。论文分析了细胞神经网络的基本结构、网络稳定性、繁殖模板设计方法以及细胞神经网络的计算机模拟,研究将在数字图像处理识别领域具备独特优势的细胞神经网络应用于抽油机井示功图识别的方法。根据细胞神经网络技术的特点和示功图原理,利用细胞神经网络实现了对示功图的凸点提取,区域填充,连通分量探测和示功图差异比较的功能。通过对漏失、气体影响等多种典型工况示功图形状特征的分析,建立了十种典型示功图点阵模型。对现场实时记录的示功图进行预处理,利用细胞神经网络提取示功图的水平方向、竖直方向以及对角线方向的连通分量数并分析,建立了一种通过分析示功图像素间基本关系判断油井工作状况的方法。根据理论研究,利用MATLAB完成了细胞神经网络的计算机模拟,将油井的实测悬点载荷位移数据归一化处理后绘制到100×100的矩阵中,用细胞神经网络提取特征。理论分析和测试结果表明该方法在识别示功图特征上具备可行性,对于利用示功图进行抽油机井工况识别的研究具有一定的理论意义和实践价值。