总有机碳（TOC）含量、孔隙度和页岩含量是描述页岩储层的关键参数。从测井数据中准确预测这些储层特性对于确定甜点位置、评估储层质量以及构建地质模型至关重要。然而，传统的基于模型的多参数反演方法由于弹性参数与物性参数间存在强烈的非线性和不适定性而面临巨大挑战。深度学习方法为解决这一问题提供了新的可能性。具体而言，时空神经网络（STNN）在捕捉局部与全局特征方面表现出强大的能力，而多任务学习（MTL）网络则具有良好的泛化能力，因此将这两种算法结合起来是必不可少的。我们基于卷积神经网络（CNN）和双向长短期记忆网络（BiLSTM）开发了一种多任务时空神经网络（MT-STNN），用于从测井数据中同时预测TOC含量、孔隙度和页岩含量。MT-STNN由两个基本部分组成：一个共享特征提取网络和三个任务特定网络。共享特征提取网络通过硬参数共享机制挖掘储层特性与测井资料之间的共性特征。同时，在共享特征提取网络中加入自注意力机制，以提高多参数预测的准确性。然后，三个任务特定网络分别在共享特征空间与三种不同参数之间建立非线性映射关系。对于同一页岩气工区内的实际测井数据应用，所提出的MT-STNN在预测精度方面优于多任务卷积神经网络和多任务双向长短时记忆网络。此外，MT-STNN在该工区内盲井测试精度也取得了显著提升，证明了该网络模型较强的泛化能力。

页岩储层,TOC,孔隙度,泥质含量,多任务时空神经网络