遗传算法及神经网络等智能技术在石油勘探和开采领域中的应用已越来越为人们所重视。随钻实时估计钻井参数及岩性实时识别岩性已是钻井研究工作者的重要研究课题之一，而限制其识别能力和识别速度的关键是识别方法的选取及所选算法的实时性和稳定性。为此，本文基于遗传算法及神经网络等智能技术对钻井参数估计及岩性识别方法进行了较为系统深入的研究。 在分析遗传算法的机理和基本算法的基础上，提出基于实数编码方案的非线性变参数估计的通用遗传算法。 针对标准遗传算法在解决钻井参数实时估计中所存在的收敛速度慢、局部搜索能力差等不足，提出遗传算法改进方案并进行计算机仿真实验验证。结合钻井参数实时估计实例，分析遗传算法控制参数对算法性能的影响。 分析研究误差反传BP网络模式分类器、ART-2网络模式分类器及模糊自适应Hamming网络模式分类器的工作过程及不足之处，分别提出改进算法，编制算法实现软件，并通过实验进行验证。 在分析钻井参数曲线与岩芯岩性资料的基础上，提出利用钻井参数曲线变化趋势去实时识别岩性的新思路。将误差反传BP网络改进算法、ART-2网络改进算法及模糊自适应Hamming网络算法分别应用于岩性实时识别与分类中，并进行计算机仿真实验验证。