石炭系火山岩油藏储层具有成因复杂,储层非均质性高的特点。其储层质量对后续高效开发有着重要的影响。然而,复杂的地下地质情况不仅严重制约地质与地球物理测试、测量的数据质量,也使得传统的储层表征方法难以满足火山岩储层识别与预测的生产需求。针对此,本论文以春风油田排66块石炭系火山岩油藏为例,结合地质、地球物理、动态生产等多尺度资料,以数据空间相关性信息与连续性信息利用为切入点,以地质统计学、人工智能等交叉学科前沿方法为手段,充分发掘并利用数据隐藏信息,形成一套科学且较全面的石炭系火山岩油藏火山岩储层预测与评价方法。提高了石炭系火山岩优质储层的预测准确性,减少了储层预测过程中人工解释与识别的成本,增强了工作时效性。排66块石炭系火山岩储层主要集中于石炭系顶部的火山岩风化壳内。本论文首先通过岩心与薄片资料的观察与分析确定工区内岩性为:安山岩、火山角砾岩、凝灰岩与玄武岩。通过因果分析,指出该区火山岩油藏的储集空间以溶蚀孔、洞、缝为主,明确了影响火山岩油藏储层发育与分布的三个关键因素:岩性、溶蚀作用、断裂。岩性作为多种地质因素的综合承载体,是影响储层质量与分布的重要因素之一。基于测井数据垂向空间相关性信息与火山岩发育连续性信息,提出了两种分别采用贝叶斯统计模型与深度学习模型的测井岩性识别与预测方法,并应用于排66块石炭系火山岩测井解释研究。与常规机器学习方法和传统线性识别方法相比,本文方法提供的岩性识别结果在准确度与算法效率方面均得到了较大提升,各岩性平均预测正确率值（probability score）由0.509提升至0.676。溶蚀作用是影响石炭系火山岩油藏储层的另一重要影响因素。基于成像测井图像半定量分析方法,对排66块内12口井的成像测井图像进行处理,得到可半定量表征溶蚀程度的综合溶蚀参数曲线（DCV）。利用深度神经网络（DNN）模型进行井-震联合反演,将人工提取的综合溶蚀参数曲线映射至全区三维空间。该三维反演结果得到了模型盲测结果的验证,其盲测集精确度达到0.836,同时也与先验地质认知及火山岩风化壳溶蚀模式一致,为储层识别与预测奠定基础。针对石炭系火山岩油藏储层分布不均、普通方法预测效果差等问题,提出了应用卷积-长短期记忆网络（Convolutional Long-short Term Memory）模型的深度学习储层识别与预测方法,综合叠后地震数据与综合溶蚀参数三维反演结果,进行了排66块内优质储层识别与预测。卷积-长短期记忆网络模型结合了卷积神经网络与循环神经网络的优点,能有效提取并利用三维样本空间内地震数据的空间相关性信息与储层连续性信息,从而得到具有高准确性与符合地质认知的优质储层三维预测结果,盲测井段储层的平均F-measure值由0.583提升至0.668。