目前我国的石油勘探还处于中期阶段,大多数深井的石油开采采用小角度（接近垂直）钻采方式,开发勘探的难度比较大。井眼轨迹的控制精度对提高油气产量尤为重要,油井是否按照提前设计好的方案到达中靶半径以内,关系着这口油井最终能否达到指定的油层。实际测井工作中,对于二次送入的测斜方式需要测井队使用测斜仪测量油井井眼的井斜角和方位角两个姿态参数,而定向井井眼轨迹误差主要来自施工现场的测量数据误差。如果测量数据误差较大,会导致井位报废,导致巨大的经济损失。影响测斜仪精度的因素有很多,除制造工艺与安装误差外,还有姿态提取方法的影响,在井斜角较小时,方位角的姿态提取计算公式中分子和分母都将同时趋于零,使测量精度大大降低,其误差与常规井斜时方位角误差相比更大,其中我国陕北地区常用的测斜仪,在小角度井斜（1°～10°）时,井斜角精度为±0.25°,方位角精度为±10°,因此提高测斜仪测量精度是石油测井的关键技术之一。神经网络技术作为一种智能补偿校正技术,不需要建立准确的数学模型,也不需要考虑误差来源,只需要对大量的测试数据与理论数据进行学习和拟合,找到输入到输出的映射关系便可预测输出,可用于解决多种误差来源导致的测量精度偏低问题。本文针对陕北地区常用的测斜仪,采用高精度位置转台获得小角度井斜（1°～10°）时井斜角和对应的方位角作为训练样本,分别采用BP（Back Propagation）、RBF（Radial Basis Function）、Elman等神经网络模型进行测斜仪方位角误差补偿的建模和校正,并对各模型的补偿效果和收敛速度进行对比。具体工作如下:（1）建立以实测井斜与方位角为输入,理论方位角为输出的BP神经网络模型。其一,对5°～10°范围内采样的192组数据进行仿真预测,通过试凑法确定隐含层神经元个数及学习速率等超参数,测试结果表明采用该BP神经网络可将方位角误差由±5.3°补偿至±1.61°;其二,因手动调整网络结构与参数效率不高,且不便统计分析各超参数的优缺点,本文建立了一个可实现超参数自动寻优的模型框架,同时增加样本数据数量。在扩大采样范围后,对新采样的799组、1062组数据分别进行试验,结果显示该模型框架可以实现自动寻参,其中799组数据所训练出的模型可使整个数据集的误差从±19.6°降低至±1.95°,而1062组数据所训练出的模型可使整个数据集的误差从±11.6°降低至为±0.93°。（2）BP神经网络模型的优化。为更好地进行BP神经网络模型的评估与选择,本文采用十折交叉验证法对以上BP神经网络校正算法进行了改进,实验结果表明该方法训练出的理想神经网络模型最多,且分析出的十个最优神经网络模型均可以将方位角误差补偿至±1°以内,最好可补偿至±0.94°;另外,由于BP神经网络易陷入局部极小值,本文采用粒子群算法对BP神经网络初始化权重进行了优化,对小角度井斜（1°～10°）下的方位角,在增加数据集后,采用PSO-BP（Particle Swarm Optimization-Back Propagation）模型进行误差校正,方位角测量误差由±11.6°补偿至±1.01°以内。（3）建立以实测井斜角与方位角为输入、理论方位角为输出的RBF神经网络校正模型。RBF神经网络是一种前馈型的神经网络,不需要时刻调整权值,不会陷入局部极小值,本文采用newrbe函数快速地设计了一个径向基网络,分布函数从0.01开始,每隔0.01取样一次,直到分布函数取30时结束。分别建立了多个RBF神经网络模型,经过测试发现,当分布函数为0.13时,补偿效果最好,可将整个数据集的误差由±11.6°补偿至±1.84°。（4）建立以实测井斜角与方位角为输入、理论方位角为输出的Elman神经网络校正模型。Elman神经网络模型,相比于BP网络多了一个承接层,本文采用Matlab中newelm函数对井斜角在1°～10°时,方位角0°～360°范围采样的1062组数据建立Elman神经网络模型,用训练好的模型对训练集和测试集数据分别进行了仿真,并实现了超参数自动寻优,测试结果表明,该Elman神经网络误差校正模型可将小井斜下方位角的测量精度从±11.6°提高至±0.97°。（5）针对陕北地区常用的测斜仪,对比了BP、RBF和Elman神经网络模型在校正小角度井斜下方位角误差补偿方面的不同。BP神经网络与Elman神经网络对小角度井斜下方位角误差补偿精度优于RBF神经网络,但梯度学习算法易陷入局部极小值以及过拟合现象,在模型稳定性方面RBF神经网络更好。