储层含油气后会必然会引起地球物理响应特征发生改变,不同的储层类型在声、放、电等测井曲线中具有不同的响应特征,属于典型的非线性映射关系。在实际应用中通常采用测井曲线来计算泥质含量和渗透率参数,并根据泥质含量和渗透性对储层类型做出判断,未能摆脱经验公式等线性关系的束缚。深度学习技术能够自主进行特征学习,具有极强的高维数据结构挖掘能力,对于解决与各种地质特征密切相关的复杂非线性储层类型分类问题具有较强优势。本文将深度学习技术应用于储层类型分类中,利用中子、电阻率、孔隙度、声波时差、自然伽马、补偿密度等六种测井特征参数作为输入变量构建了深度神经网络模型,在网络中采用了Dropout正则化方法来防止过拟合现象,并在实际数据的测试中取得了较好的应用效果,表明了利用深度学习技术进行储层类型预测的可行性和实用性。