油藏生产指标是表征油藏开发状态的重要参数,前人进行了大量该方面的研究,形成以解析法、经验法、数值模拟方法为代表的各种方法,为准确掌握油田动态起到了重要作用。近年来,深度学习、数据挖掘等技术迅速与各工业领域相结合,形成多种新技术,为工业生产提供了动力。油田在长期开发过程中,积累了大量宝贵资料,如何深入挖掘这些数据的内在关系是目前油藏工程师普遍关注的问题。本文采用数据挖掘技术,对油田开发过程中多种数据进行了深度学习,形成油藏主要生产动态指标预测方法,实现了数据挖掘技术与油藏工程研究的有机结合。本文以胜利油区DXY2S3油藏历史生产数据为研究对象,探索了利用长短期记忆网络（LSTM）进行数据挖掘从而预测区块和油井主要生产指标的可行性与方法。首先,研究样本库建立及样本数据处理过程:通过分析区块和油井主要生产指标,确定了基本预测指标为月产油和含水率。运用灰色关联分析等方法对生产指标分析,明确了影响月产油和含水率的主要因素,建立了样本数据库;并对样本数据进行了清洗、降维、规范等数据处理工作。其次,搭建基于LSTM指标预测模型:设计了模型输入输出形式和具体框架,讨论了模型训练方法和处理模型训练出现过拟合的方法,并确定了模型性能评价指标。然后,以DXY2S3区块和该区块中的油井为例,对已建立好的模型进行训练和测试,过程中运用控制变量法依次研究了各模型参数对模型运行结果的影响,并设计了自动调参方法来确定这些参数的取值。最后,比较了模型和传统油藏工程方法在正常生产和改变预测期间某个生产指标情况下预测结果的区别,并建立了油藏主要生产指标预测模型平台。运用训练好的LSTM指标预测模型对油井和区块进行预测,结果表明,月产油预测相对误差在4%以内,含水率预测相对误差在0.3%以内,证明该模型预测精度高和泛化能力强。采用产量预测模型与经典的油藏产量递减模型对比表明,两者预测结果一致;且该方法可以实现给定控制条件下的产量预测,预测结果更符合实际生产情况。