剩余油分布是油田开发工作者历来关注的最主要的问题之一,前人经过多年研究,形成了综合分析法、实测资料法、数值模拟法等各种预测剩余油的方法,为提高油藏采收率起到巨大作用。在油田开发过程中,积累了大量宝贵的数据资料,为机器学习提供了数据样本支持。本文拟采用深度学习方法,对影响剩余油分布的各主要因素进行深入分析,在此基础上搭建深度学习模型,开展训练,形成一种新的剩余油分布预测方法。本文通过对剩余油分布影响因素的分析,选取储层物性参数分布、储层流体特征、井网形式以及注采参数等指标作为剩余油分布预测的关键数据并开展数据处理方法研究。通过数值模拟方法建立不同物性参数分布、不同流体特征、不同井网形式以及不同注采参数下近500套样本进行数据计算,采集数据计算结果后,对其进行数据清洗,生成了学习样本库。在对深度学习算法进行研究和分析后,选择使用支持向量机（SVM）和长短期记忆网络（LSTM）建立先分类后预测的剩余油分布预测模型。以模型训练耗时和预测准确率为评价指标,对模型进行反复实验,确定了模型的最优参数选择。使用学习样本对模型进行训练后,形成了基于深度学习的剩余油分布预测模型。应用形成的剩余油分布预测模型,对均质概念模型、非均质概念模型和矿场实际油藏模型进行剩余油分布预测并与油藏数值模拟结果进行对比,预测准确率可以达到95%以上,且预测耗时远小于油藏数值模拟方法,凸显了模型的可行性和高效性。应用剩余油分布预测的思路,本文又尝试使用LSTM网络对地层压力分布进行了预测,预测效果同样满足矿场要求,充分展现了深度学习方法在油田开发中的巨大应用潜力。