近年来随着石油工业的飞速发展和各种非常规油藏的发现,具有渗透率低、储层非均质性强等特点的厚砂岩储层的勘探开发已成为一项重要任务。“甜点”已成为低渗透储层油气勘探开发中最为关注的地质目标。马尔科夫链蒙特卡洛方法(MCMC)作为随机反演方法的一种,可以得到大量来自于后验概率分布的样本,不仅能获得每个未知参数的估计值,还可以获得与之相关的各种不确定性,对于非均质性强、物性差异大、成藏条件复杂和识别难度大的储层及其内部“甜点”,其具有一定的优势。但是常规的MCMC算法也存在一定的局限性。由于计算时间有限或搜索策略设置不当,对于一个较为复杂的参数空间,传统的MCMC算法往往不能对其充分搜索。针对该问题,本文借鉴量子退火算法对传统的MCMC算法进行改进,提出了量子MH算法。其主要通过引入Hamilton量的概念,改进了算法的接受概率表达形式,使马尔科夫链快速稳定地收敛于后验概率分布。本文在贝叶斯理论的框架下,提出了基于量子MH算法的叠前反演方法。通过地震数据、测井数据及地质资料构建反演参数的先验分布及似然函数,然后利用量子MH算法进行反演,获得纵横波速度及密度等参数,为储层识别提供参数支持。而针对“甜点”识别,本文提出了基于量子MH的弹性阻抗反演方法。由于“甜点”某些弹性参数会存在一定的差别,因此,我们可以利用岩石物理方法找到对“甜点”较为敏感的弹性参数,然后通过反演这些弹性敏感参数来识别“甜点”。基于此,所以本文针对砂岩“甜点”的地球物理特点,综合地质、测井和岩石物理实验数据,利用岩石物理知识,确定“甜点”的敏感参数,然后利用改进后的量子MH算法进行反演,得到“甜点”的敏感参数信息,最终获得实现“甜点”的空间分布特征识别。