国内大部分油田处于勘探开发中后期,资源接替面临大挑战,中、浅层大型背斜等构造油气藏的勘探数量逐渐减少,勘探对象逐渐由构造油气藏向隐蔽油气藏转变。该类储层“埋藏深、厚度薄、变化快”,预测难度大,其储层预测效果将直接影响油田增储上产。应用人工智能技术预测复杂隐蔽油藏是新的技术趋势,需要强化基础理论研究及关键技术突破。常规储层预测方法受限于现有理论和方法,无法描述多维数据之间的相互关系,无法改善不同数据资料带来的储层预测的多解性问题,同时受工区钻井数量的限制,可得到的带有标记的井震数据不足以满足复杂网络模型的训练需求。人工智能储层预测中的储层标记样本扩充问题、地震属性选择问题、人工智能储层预测专用神经网络模型设计问题成为提高储层预测效果的关键。本文的研究内容主要包括以下几个方面:（1）针对地震数据标记样本数量少的问题,提出利用同相轴追踪的方式结合井上已有标记样本进行井周边沿同相轴的标记样本扩充的方法,设计了用于同相轴追踪的DTW动态时间规整算法。根据相邻道地震波的相似性计算他们之间的最短规整距离并在此约束下得到两条地震波曲线上每一个采样点的相对位移,即可得到地震波波峰之间的连线,据此进行同相轴的追踪并结合井上已有的标记即可进行地震数据标记样本扩充。（2）针对地震属性的选择问题,提出一种基于正则化的特征选择方法。利用非凸型正则化可造成网络连接稀疏化的特性,对输入层连接权重进行稀疏化,进而实现对特征的筛选。提出了一种新的正则化与门控单元结合形式,在网络的训练过程中自动计算每个特征对于模型的贡献度,结合Re LU方法对低贡献度特征进行去除。该方法应用于储层预测模型上对地震属性进行优选。（3）构建储层预测神经网络模型,使用地震属性组成特征图,使用通道注意力机制与残差结构构建网络主要组件,并针对地震属性数据的序列特点使用双向长短时记忆网络结构,对高维特征进行时间尺度上下文的关联训练,最终形成Res Ne Xt-SE-Bi LSTM模型。最后,实验结果表明最后的储层预测模型的优越性,并在胜利油田埕北某工区进行了实例预测。