岩性信息的识别分类对油气储层分类以及储层岩石可压性评价具有重要意义。本文根据对深度学习网络U-Net进行改进,结合松辽盆地中央坳陷区实验数据进行对比和验证,提出了一种更适合测井数据的特征注意力融合网络(feature attention fusion Unet, FAF-Unet)。测井数据主要通过敏感性分析的方式选择特征参数(自然电位,声波时差,光电吸收截面指数,井径,密度,自然伽马以及深、浅侧向电阻率等),分析储层岩石岩性。FAF-Unet是一种融合残差块和通道注意力机制的网络,残差块可以更好地保留深度方向低级特征的数据,而通道注意力机制可以弥补竖向卷积时忽略横向通道之间联系的问题。分别对比了支持向量机、决策树、U-Net、添加有效通道注意力(efficient channel attention, ECA)机制的U-Net(ECA-Unet)、添加残差块的U-Net(Res-Unet)以及同时添加ECA和残差块的FAF-Unet 6种识别方法的准确率和召回率,结果表明,FAF-Unet的准确率与召回率均达到89.00%以上,在6种识别方法中识别效果最佳,且准确率与召回率的波动范围更小。