缝洞型碳酸盐岩储层已经成为目前油气开发的重点勘探对象之一。但由于这类储层具有很强的非均质性,缝洞发育规模不一,纵横向分布规律性差,且孔、缝、洞的组合形式多样,因此缝洞型碳酸盐岩储层的定性和定量评价一直面临着非常复杂的技术难题,例如缝洞型储层发育等级分类、缝洞充填物的识别、储层参数的定量计算等。目前主要通过人工方法对缝洞型碳酸盐岩储层进行识别与分类,该方法费时费力且识别的准确度较低。在储层参数定量计算方面传统的孔隙度测井解释模型和计算方法往往只是围绕储层的总孔隙度进行解释,未计算储层实际的有效孔隙度值,降低了储层定量评价的可靠性。本文以新疆某油田奥陶系碳酸盐岩储层作为研究对象,依据常规测井、少量的岩心和成像测井等资料,开展了缝洞型储层定性与定量评价方法的研究,建立了一套具有参考和推广价值的缝洞型储层定性与定量评价方法。在缝洞型储层的定性评价方面,前人已经引入了一些分类算法对缝洞型储层的发育等级进行自动分类。但是在处理这种复杂的非线性问题时,因为算法自身的缺陷,有时难以达到较好的应用效果。因此,本文引入了新颖的卷积神经网络算法来学习测井曲线与储层发育等级之间的非线性关系。卷积神经网络具有强大的数据特征识别能力,在处理分类问题时,凭借其稀疏连接和权值共享的特质,该算法能够有效的提取出测井曲线的特征,从而可以对储层发育等级进行比较准确的分类。另外,本文还应用该算法对缝洞充填物的类型进行识别。以常规测井数据及其对应的充填物类型作为网络模型的训练数据,设计了多个网络模型进行实验并挑选出了最优的模型以及网络参数。最后利用研究区域的实测数据对该算法进行测试,结果表明该算法能够比较准确的识别充填物的类型,有效提升缝洞型储层定性评价的准确性。在缝洞型储层定量解释方面,本文重点研究了储层孔隙度的计算方法。缝洞型储层有效的储集空间主要为次生孔隙即裂缝和溶洞,因此为了精细计算储层的有效孔隙度,本文针对裂缝孔隙度和溶洞孔隙度开展了计算方法的研究和讨论。在大型溶洞孔隙度定量计算方面,本文尝试使用中子、声波测井曲线以及中子-声波交会法计算其孔隙度,并发现对于泥质充填以及角砾充填的大型溶洞,利用声波测井曲线计算出的孔隙度值与实际的溶洞孔隙度大小更为接近。当缺少成像资料时,可以将声波测井曲线计算出的孔隙度近似作为大型溶洞的孔隙度值。