有效的储层参数对于储层表征和储层评价具有重要意义。传统的基于岩心测量或岩石物理建模的方法或成本昂贵或效率低下，现有的基于循环神经网络的方法无法很好捕捉序列中的全局依赖关系。笔者从实际测井资料出发，建立了一套可靠、低成本、对测井数据全局特征敏感的储层参数预测方法。该方法是一种基于CNN、LSTM和Transformer编码器的混合深度学习模型，称为CL-Trans模型。CL-Trans模型首先使用一维卷积层从测井数据中挖掘潜在初级特征，然后利用多个LSTM层建立测井资料与储层参数之间的非线性关系，最后应用于具有自注意力机制的Transformer编码器中，进一步提取测井数据的全局特征。我们将该网络应用于某区域测井数据并预测孔隙度和渗透率，在与随机森林RF、LSTM和CNN-LSTM模型相比时，显示出更准确和更稳定的储层参数预测结果。