过井裂缝是超声测井图像中的典型裂缝，往往呈现出正弦形状，其发育状态与储层渗透性、油气运移通道密切相关，精准识别该类裂缝对油气资源勘探开发具有重要指导意义。受裂缝形态复杂、特征多变及噪声干扰等因素影响，过井裂缝的精准检测面临诸多挑战，传统分割方法往往难以兼顾检测精度与抗干扰能力，易出现漏检、误检等问题。针对上述问题，本文提出一种融合形态约束学习的新型分割框架GAS-Net，以实现裂缝的高精度识别。该网络采用轻量化的编码--解码特征增强型架构，为提升模型对裂缝形态特征的提取能力，并解决数据分布不均衡与模型过拟合问题，设计了基于正弦曲线拟合正则化策略的联合损失函数模块（SC_loss）。同时，引入可学习的自适应Gabor滤波模块（LGF），增强网络对裂缝纹理特征与局部特征的提取效果与抗噪声干扰能力。此外，为提升特征鉴别能力、滤除冗余特征，模型中集成了融合通道与空间维度的双注意力机制模块（CBAM）。基于实际测井裂缝数据集，将该方法与U-Net、Deeplabv3+、GCN等多种主流分割框架开展对比实验，从交并比、像素准确率等核心指标维度进行全面评估。定性与定量分析结果表明，所提GAS-Net模型的分割性能显著优于现有方法，不仅能够准确识别过井裂缝，而且能够有效地屏蔽其他类型裂缝的干扰，为测井裂缝的精准识别提供了可靠的技术支撑。

裂缝分割；超声测井；正弦形态约束；自适应Gabor滤波；双重注意力机制