在油气田开发阶段,如何获取精细、准确的地质模型是储层预测的关键与难点所在。传统的两点地质统计学方法基于变差函数对储层非均质性进行表征,但是此类方法难以再现空间上具有复杂沉积相组合关系的储层结构。而多点地质统计学方法以训练图像为核心表征空间多个点的空间相关性,能够较好表征地质体的空间几何形态以及分布模式。训练图像是能定量化研究区地质模式的地质模型,通过提取训练图像中的定量先验地质信息,在条件点的约束下可应用到反演建模中。但训练图像的数据事件量大而导致运算效率低下,其非线性结构特征也难以体现,导致反演运算效率低下。针对多点地质统计学反演的缺点,本文基于深度学习算法,通过生成对抗神经网络学习训练图像特征,并将训练后的神经网络用于反演建模。完成算法的基础上,对多个训练图像的SGAN方法测试,通过分析SGAN方法的模型生成结果,对训练后神经网络进行质量评估,结果显示该方法生成的模型与训练图像相似度高,且上千个模型的生成仅需要数秒,生成模型的效率较常规方法突破性加强;将训练后神经网络结合MCMC-贝叶斯反演方法,基于研究区的条件数据,对三角洲沉积背景下的地质建模进行实际应用,反演结果在吻合条件数据的基础上,能体现训练图像的组合模式,并在极短的时间内通过多链并行运算得到后验概率体模型,这种方法将对地质反演建模起到积极作用,对油藏描述工作产生巨大的影响,能够更高效地为油气田勘探开发提供优质的地质模型。