目前,中国石油产量的70%都来自于老油田,其剩余可采储量相当可观。影响剩余油的因素有很多,但是地质专家普遍认为油藏内部发育的隔夹层是影响剩余油分布的主要因素之一。当储层内部发育有隔夹层时,隔夹层的分布会对油气水等流体的运动产生影响,因此使用测井资料对地下储层中隔夹层进行准确识别是挖潜剩余油气的首要工作。隔夹层识别问题在机器学习领域本质属于分类问题,如果样本分布满足有监督学习的假设,那么传统有监督分类学习算法就能解决隔夹层识别问题。但由于区域地质发育情况的不同,隔夹层在某一区域内的类别分布并不均衡,不满足传统机器学习样本均匀分布的假设。且由于油田取心费用昂贵,因此基于岩心标定的测井数据较少。综上,地质专家迫切需要一种能将无标签测井数据对象中或多或少的隐含信息与岩心标定的标签数据综合利用的隔夹层识别方法,以此来节约勘探成本和提升油田生产效率。本文对隔夹层问题进行了深入的研究和分析,针对取心标注测井数据较少,各类样本不均衡的实际状况,提出了基于半监督协同训练的集成自编码算法。首先参考异常检测思想提出了基于自训练方法和自编码神经网络的异常检测算法（Self-Training Based Auto-Encoder neural Network for abnormal detection in Interlayer identification,STAE）。STAE算法通过对自编码神经网络的重构误差进行分级实现了基于异常检测思想的多类样本识别,而后为了利用无标签数据中包含的全局信息,使用两类参数（得分中心点与得分区间）基于自训练方法进行模型自我更新,提高模型的自适应能力。最后结合Tri-training 框架,本文还提出了基于多视图协同训练和集成自编码神经网络的隔夹层识别算法（Interlayer identification algorithm Based on multi-view Tri-training and Integrated Auto-Encoder neural Network,MTAE）,该算法首先使用原始测井数据特征和小波分解的时频特征组成双视图特征,然后基于Tri-traning框架训练集成自编码分类器,最后利用无标签数据的全局信息来提升模型性能。本文使用哈德逊油田某地区的二十口井作为数据集,进行了对比实验,对比了SVM（Support Vector Machine）、S3VM（Semi-Supervised Support Vector Machine）、GBDT（Gradient Boosting Decision Tree）三种算法。其中本文提出的算法与传统有监督学习方法SVM在各类隔夹层的识别准确率上都有较大的提升,由此侧面证明了在一定程度上,半监督学习方法比传统有监督学习方法更适用于此数据集。STAE算法较S3VM算法在数据集上取得了更好的效果,证明基于异常检测思想的模型更应用于测井数据这种深度域分布特性的数据集。本文提出的STAE和MTAE都相对GBDT算法在识别准确率上有一定的提升,说明在集成学习的基础上利用无标签数据优化决策边界的思路是可行的。除此之外,本文还设置实验分析不同置信度阈值条件下,半监督学习对模型性能的提升效果。