序列预测在交通预测、经济统计、天气预测、粮食产量及能源消耗等领域得到了广泛的应用。在油气勘探中,利用地震数据预测井数据可以视为序列预测问题,利用序列预测算法提取地震数据和井数据之间的关联关系,构建准确的岩性模型对于油气勘探和开发具有指导意义。随着人工智能的发展,越来越多机器学习算法被应用于序列预测中。传统的机器学习算法可以挖掘序列中的非线性关系,但是在复杂的大规模数据中,特征难以准确提取,导致序列预测的结果并不理想;基于深度学习的算法可以有效提取海量数据中无法用数学公式表达的关系,但是当样本不充足或者存在样本冲突问题时,预测结果不可靠。地震数据和井数据之间的关联关系复杂,且标签样本少。针对这一特点,本文以地震数据和测井数据为例,基于特征先分类后回归的思想,构建了特征引导的序列预测模型,并应用于实际工区的勘探数据,构建出了目标工区的波阻抗模型。本文的主要研究工作如下:（1）提出基于周期特征引导的序列预测网络模型。针对时间序列数据,现有方法对时间序列数据进行预测时无法有效提取数据中包含的特有的时间特征。本文以波阻抗序列和对应的井旁道序列为例,提出了周期特征引导的时间序列预测网络模型,其主要思想是先利用一维卷积提取序列中的长短周期特征,针对提取的长短周期特征,采用LSTM进行特征选择,最后进行特征融合,进行关联关系的提取,完成工区的地震序列对应波阻抗序列的预测,构建波阻抗模型。通过实验数据证明,利用周期特征引导的网络在提取井震关系时,网络的收敛速度加快,拟合能力加强,预测的结果更加准确,构建的波阻抗模型与实际地震数据更接近。（2）提出基于时空特征引导的序列预测网络模型。针对时空数据,现有的方法对于复杂时空数据中的时空特征提取有限。本文以三维地震数据为例,提出了基于时空特征引导的序列预测网络模型,其主要思想是利用空洞卷积提取三维地震数据中的空间特征,进一步使用三维卷积提取地震数据中的时空特征,然后利用LSTM进行时空特征的选择,进行特征融合,完成关联关系的提取,并对三维地震序列对应的波阻抗序列进行预测,构建可靠的岩性模型。通过实验数据表明,该网络不仅保持了盲井预测的准确性,在横向上具有很好的连续性,水平切片与地震数据具有高度的吻合性。