本发明公开一种结合深度学习的储层物性参数预测方法，步骤为：引入MIC定量测度物性参数与测井曲线的非线性相关性，选取对物性参数响应明显的测井曲线；引入CEEMDAN对物性参数数据序列分解，获得本征模态函数IMF分量和剩余RES分量，对物性参数数据序列平稳化处理；引入SE对各IMF分量和RES余量的复杂度评价，将熵值相近的分量序列重组得到新本征模态分量；对新本征模态分量数据归一化处理后划分为训练集和测试集；引入LSTM循环神经网络对重构的新分量建立预测模型，获得各新本征模态分量的预测值；将各新本征模态分量的预测值反归一化并进行叠加重构得到物性参数预测结果。本发明的方法减少了冗余信息与预测分量建模数，提高预测精度和预测速度。