在空间数据不确定性重建领域，多点统计法（MPS）得到了广泛的应用，但由于计算成本较高，其适用性受到了影响。通过使用金字塔结构的全卷积生成对抗网络（GAN）模型学习不同分辨率的训练图像，提出了一种基于多分辨率GAN模型的空间数据重建方法。该方法从高分辨率训练图像中捕获细节特征，从低分辨率训练图像中捕获大范围特征，因此该方法重建的图像包含训练图像的全局和局部结构信息，同时保持一定的随机性。把所提算法与MPS中的代表性算法以及应用于空间数据重建的GAN方法进行对比的结果表明，所提方法10次重建的总时间降低了约1 h，其平均孔隙度与训练图像孔隙度的差值降低至0.000 2，并且其变差函数曲线和多点连接性函数（MPC）曲线更接近于训练图像，可见所提算法重建质量更好。

针对传统数字岩心重构技术存在的成本高昂、复用性差和重构质量低等问题，提出了一种基于带梯度惩罚深度卷积生成对抗网络（DCGAN-GP）的三维页岩数字岩心重构方法。首先，利用神经网络参数来描述页岩训练图像的分布概率，并完成训练图像的特征提取；其次，保存训练后的网络参数；最后，利用生成器重构出页岩三维数字岩心。实验结果表明，相较于经典的数字岩心重构技术得到的图像，DCGAN-GP得到的图像在孔隙度、变差函数和孔隙大小及分布特征上都更接近训练图像，而且DCGAN-GP的CPU使用率不到经典算法的一半，内存峰值仅有7.1 GB，重构时间达到了每次42 s，体现出模型重构质量高、效率高的特点。

不确定性空间信息在众多科学领域得到了广泛应用。然而目前用于不确定性空间信息重建的方法需要多次对训练图像（TI）进行扫描，再通过复杂的概率计算获得模拟结果，导致这些方法的效率较低，且模拟过程复杂。针对这一问题，提出了将费雪信息量和变分自编码器（VAE）结合应用于不确定性空间信息的重建。首先，通过编码器神经网络对空间信息的结构特征进行学习，并训练得到空间信息的均值和方差；然后，进行随机采样，根据采样结果和空间信息的均值、方差重建中间结果，并将编码器神经网络的优化函数与费雪信息量相结合来优化网络；最后，将中间结果输入解码器神经网络中，以对空间信息进行解码重建，并将解码器的优化函数与费雪信息量结合对重建结果进行优化。通过比较各方法重建结果与训练数据的多点连通曲线、变差函数、孔隙分布和孔隙度表明，所提方法的重建质量比其他方法的更好。具体来说，该方法重建结果的平均孔隙度为0.171 5，与其他方法重建结果的平均孔隙度更接近训练数据的孔隙度0.170 5。且相较于传统方法，其平均CPU利用率从90%下降到25%，平均内存占用下降了50%，说明该方法的重建效率更高。而通过重建质量和重建效率两个方面的对比，说明了该方法的有效性。

目前用于多孔介质重构的多点统计法（MPS）等传统方法需要多次扫描训练图像，然后进行后续复杂的概率计算得到模拟结果，导致重构效率较低，模拟过程复杂，因此提出一种基于自适应深度迁移学习的重构方法。首先利用深度神经网络从多孔介质的训练图像中提取复杂特征，然后在深度迁移学习中添加自适应层以减少训练数据和预测数据之间的数据分布差异，最后使用自适应迁移学习复制这些特征来获得与真实训练数据结构相似的重构结果。通过与典型的多孔介质重构方法MPS的比较实验，结果显示在多点连通曲线、变差函数曲线和孔隙度方面，该方法重构质量更好，平均重构耗时从840 s减少到166 s，平均CPU占用率从98%下降到20%，平均内存占用下降了69%。所提方法在保证重构结果质量更好的前提下，显著提高了多孔介质重构的效率。

从石油录井色谱数据应用的实际需求出发，提出一种新的时间序列分段拟合算法。该算法通过一次扫描数据，根据中线距离阈值和非单调序列中极值点保持时间段阈值两个约束条件，选择反映序列趋势变化的关键点，然后线性拟合时间序列。实验结果表明该算法能够在保持原始序列主要形态的同时剔除噪音干扰，精确定位单调序列中的突变转折点，发现序列中的尖峰状态。