储层裂缝既是油气储存的空间，也是油气运送的通道，所以在油气藏勘探开发中，有着主要的地位。致密砂岩层中形成有效孔隙度和渗透率储层就是由于大量裂缝的存在。致密砂岩储层进行有效评价的前提就是对裂缝的准确识别，所以裂缝类型的识别、预测的方法，在油气勘探中就显得尤为重要。基于常规测井资料进行单井裂缝识别，预测判别效果理想并且计算过程实现方便，得到这样的数学识别算法模型，一直以来是都是研究的热点。本次研究在基于前人历史经验的基础上，总结常规测井裂缝响应特征，对裂缝反映较为明显的测井系数，主要有声波时差、深中双感应、微球型聚焦、中子孔隙度等测井参数，也是单井裂缝识别的参照和依据。文章引入了BP神经网络、概率神经网络（PNN），支持向量机（SVM），小波神经网络、灰色理论分析等方法，其中小波神经网络法是首次使用在储层裂缝识别。介绍各算法基本原理同时，进行了测井裂缝的判断识别。以项目研究区新场为例，将观察段分为裂缝和非裂缝两种，共选取68个样本，其中44个裂缝，24个非裂缝。对样本采取标准差归一化方法进行数据处理，参数的选取上采取属性值呈正态分布的直接进行归一化，对非正态分布的取对数处理，呈现正态分布后再进行归一化，得到三参数样本（AC、CNL、RLLD）及四参数样本（AC、CNL、DEN、RLLD）两种组合。以所选参数组合为数据样本，进行各算法模型的学习判别。BP神经网络算法模型四参数数据样本学习识别，判别准确率为83.8235294%，三参数的为89.7058824%；概率神经网络算法对两种数据样本的判别率都为82.3529%；对于支持向量机算法，分别选取四种常用核函数，建立模型识别准确率为97.0588%；小波神经网络选用三参数样本，判别准确率为85.2941%；最后灰色理论分析选用三参数样本进行建模，判别准确率为80.8824%。对项目研究地区，资料齐全且参数符合各模型算法要求测井，进行预测识别，将结果与岩心观察、成像测井结果进行对比，得出效果好的为BP神经网络算法和支持向量机算法；效果比较好的为小波神经网络；效果不太理想的为概率神经网络和灰色理论分析法。根据结果得出，各数学识别算法模型可行、有效，可用于致密砂岩裂缝识别，为今后的研究提供依据和借鉴。为了使算法识别模型智能化、程序化，基于常规测井数据资料，进行集成软件化。软件框架设计采用单机版Windows应用程序、单文档视图结构，其中包含了BP神经网络、概率神经网络、支持向量机法、小波神经网络方法、灰色理论方法和绘图等6模块。开发采用了Visual Studio2008集成开发平台、项目类型为MFC应用程序、开发语言为Visual C++。软件操作简单，功能实用，调用外部绘图软件进行绘图。此次研究得到的软件功能结构优化，性能实用，可作为今后的裂缝识别研究工具，方便研究，提高效率。