基于超声波的井周成像测井技术因其具有可全井眼探测、探测结果直观易懂、便于定性分析地层结构等优点,而在油气资源勘探领域得到了普遍的应用。该测井方法的原理是发射脉冲形式的超声信号至井壁,并检测其反射回波信号的到时与幅度,根据在不同位置处的到时和幅值而绘制对应井壁的图像,精准地检测超声回波信号的到时对于绘制精确而清晰的测井图像至关重要。本文主要针对超声回波信号到时的精准检测,基于回波信号的特征提取,提出了相应的检测算法,并进行了相应的实验测试,取得了一定的研究成果。本文主要研究内容由如下几个方面构成:1.分析超声回波信号的特征,从信号的时频特征出发,结合信号的统计特点,对信号进行平稳性分析,提出了一种基于小波变换和贝叶斯信息准则的到时检测方法。通过对井下采集的超声信号进行到时检测与分析,该方法被证明具有良好的抗噪声鲁棒性与较小的检测偏差。2.针对在井壁检测中存在的超声回波信号重叠现象,提出了一种基于深度学习的多重回波信号分离与到时检测方法——波形转换网络（Wave Transform Network）,该网络主要基于包含两个部分:分离网络（S-net）与检测网络（D-net）,分别用于多重信号的分离,以及分离后的回波信号到时检测,从而实现端到端的多重回波信号到时检测。该方法对实验井采集的超声信号进行了测试,结果表明了该方法具有良好的分离与检测性能。3.由于实际测井仪器对嵌入式平台有低功耗且高算力的要求,对算法的构建部署与实现提出了更严苛的限制条件。因此,本文初步探索了神经网络在嵌入式设备中部署的方法,提出了一种基于量化卷积神经网络的超声回波到时检测的方法。通过FINN框架,在FPGA中对网络进行了部署。测试结果表明,在保证检测精度的前提下,该网络的规模相对于常规结构的神经网络得到了大幅压缩,这表明该技术具有良好的应用前景。