油气层的准确识别是勘探开发的重中之重,大多数识别单纯依靠着专家经验,然而许多的人为因素导致了储层识别的精准度不高。在浪费大量人力物力的同时,却没有达到人们期待的效果。由于储层识别中的影响因素之间是存在着非线性的映射关系,很难用公式来描述其关系,而神经网络能够表达这种映射关系。但是传统神经网络具有一些已经被发现的缺陷,如逼近能力差、易于陷入局部极小值等。在近年来的研究中,有实验可证,将量子计算与神经计算进行融合而出现的新的量子神经网络这一方法对改善神经网络缺陷具有明显作用,因此本文中提出将量子神经网络应用到储层识别中的新方法,以期大幅度提高识别储层识别准确率,并为储层识别问题提供一条新途径。量子神经网络涌现且研究的时间并不是很长,目前可以说是一个全新的领域,且并未完全成熟,进一步深入研究它与其他算法的融合,以期能够进一步提高其性能是十分必要的。基于这一目的,本文拟提出一种基于量子比特在Bloch球面的绕轴旋转构造神经网络模型的新思想,进而研究一种新的量子衍生神经网络模型及算法,把其应用到油气储集层识别问题中。该模型可显著提高其逼近和预测能力。本文主要研究内容如下。首先,设计了一种新型量子神经网络模型。该模型为三层结构,输入层和输出层为普通神经元,隐层为量子神经元。量子神经元的输入为量子比特,关于其映射机制,首先使输入比特绕坐标轴旋转,然后采用泡利矩阵计算旋转后的坐标值,再用Sigmoid函数将坐标值映射为量子神经元的输出。第二,在量子神经网络的训练方面,本文设计了L-M算法和量子蜂群算法。然而这两种算法都有局限性,首先L-M算法收敛较快,但易于陷入局部极小值,量子蜂群算法虽然具有较好的全局寻优能力,但由于采用种群寻优,因此计算效率较低。所以本文提出了一种将两种算法融合的两阶段训练算法。具体研究方案为:首先采用量子蜂群算法实施网络权值的全局探索,然后采用L-M算法实施网络权值的局部开发。第三,针对储层识别问题,研究基于混合量子衍生神经网络的识别方法。首先研究储层分类、储层识别的影响因素,然后结合了矿场实际的测井解释数据,提出了基于混合量子衍生神经网络的储层识别方法。该方法为储层识别问题开辟了新道路。