随着现代经济发展对能源需求的不断提升,多途径、多方法、多学科交叉应用成为解决油气勘探领域众多技术问题的发展趋势。人工智能岩性识别方法的出现有力的推动了岩性识别的发展。目前,BP神经网络、支持向量机、主成分分析等智能方法在岩性识别领域得到广泛应用,并取得显著成果。作为传统以及人工智能岩性识别方法的丰富,模糊聚类方法能够充分利用自然伽马、中子、声波、密度和电阻率等测井数据蕴涵的丰富岩性信息,在不具备岩样取心的情况下,自动划分原始数据并定分类中心,从而对所有样本数据做出判别,有效地提高了工作效率和岩性划分的精度。论文围绕模糊聚类方法识别岩性这一课题,从以下四个方面开展了研究工作。1)开展了模糊聚类原理技术分析以及数据预处理方法研究。模糊聚类原理主要包括模糊聚类分析、模糊模式识别和模糊综合评判三方面内容；数据的预处理选取标准差处理、极差处理两种方法作为标准化方法。2)开展了岩性识别方法的优选研究。模糊聚类的方法与常用岩性识别方法对比分析,选取模糊聚类作为本文的岩性识别方法。3)展开表征岩性的测井参数选取方法研究。通过对支持向量机理论法和测井曲线特征分析法来研究如何选取工区岩性特征敏感参数。4)开展了模糊聚类岩性识别软件的编制及应用工作。以对地层岩性敏感的测井参数作为输入变量,并基于模糊聚类理论研制了性自动识别软件,并以调试和应用。通过对以上方法研究并将数学模型软件化后应用表明,利用模糊聚类软件进行岩性识别并绘制的岩性比例图和岩性分布图,能够宏观反映岩性分布趋势。择不同的贴近度计算模型可以满足不同工区岩性识别的需要,且人为因素影响小。聚类分析后的显著性评估保证了岩性分类结果的可靠性。通过对所编制软件的调试应用以及与工区的录井资料对比表明,模糊聚类方法识别岩性准确率高,能满足实际岩性识别需要,具有良好的应用前景和推广价值。