钻井卡钻事故是钻井事故中发生几率较大、处理耗费时间较长的钻井事故。卡钻事故处理的时间占总钻井事故处理时间的60%以上，为了提高钻井效率、减少卡钻事故的发生，本文针对钻井卡钻事故的预测进行了深入研究。首先在分析大量钻井现场数据，总结各类型卡钻事故的原因、征兆、影响因素及解卡方案的基础上，选择了具有强大非线性映射能力的BP神经网络对卡钻进行预测。本文深入分析卡钻机理，建立基于BP神经网络的卡钻预测模型，并对模型的网络结构进行合理的设计。同时收集大量的钻井数据，组成神经网络训练样本和测试样本，对卡钻预测网络进行了训练，并对其预测能力进行了验证。验证结果表明，该模型的训练误差与测试误差均在允许范围之内。针对标准BP算法学习效率低、收敛速度慢等缺陷，本文选取自适应学习速率法对网络的学习算法进行了改进，从而提高了网络的预测精度，减少了训练所需的时间。通过验证，改进后的卡钻预测模型的预测精度更高、训练所需时间更少。最后，为了对发生频率较高的循环卡钻进行预测，本文建立了循环卡钻预测模型，并对其预测能力和泛化能力进行了验证。验证结果表明，该模型具有对局部地区循环卡钻事故准确预测的能力，且具有良好的泛化能力。