准确的储层参数预测对地下储层表征、气藏模式建立、产能释放和了解流体运移具有重要意义。在勘探实践中通常使用基于岩心测量或数学-岩石物理建模的方法预测孔隙度、含水饱和度等储层参数。然而，上述传统预测方法严重依赖于弹性参数的反演结果及相应的岩石物理规律模板，其预测结果多解性强，精度较低。为更好地实现储层参数预测，指导勘探井位部署及开发产能释放，提出了基于岩石物理建模引导的低渗储层参数预测方法，其以卷积神经网络(Convolutional Neural Network,CNN)为深度学习框架，从实际地震数据中预测含水饱和度、泥质含量和孔隙度。此外，针对实际勘探中深度学习标签数据较少的问题，提出了基于岩石物理引导的标签数据构建方法，采用岩石物理建模和弹性参数随机扰动相结合的方式生成训练样本，可有效扩充样本数据规模。理论模型测试表明岩石物理建模引导的低渗储层参数预测方法具有如下优势：首先，提出方法在储层参数对岩石物理敏感性低时，也可实现低渗储层参数的空间展布预测。其次，提出方法可直接建立岩石物性参数与储层参数之间的非线性映射关系，降低由线性拟合引入的预测误差。最后，相比于基于数据驱动的深度学习，提出方法仅需要少量的测井数据即可获得高精度的储层参数预测结果。莺歌海盆地东方区勘探实践证明提出方法有利于优化钻井部署，指导莺歌海盆地低渗领域获重大勘探突破和储量发现。