چکیده ارزیابی، توسعه و مدیریت مخزن وابستگی بسیار زیادی به دانستن ویژگی های مخزن دارد. در این میان بافت و تخلخل مخزن، از مشخصه های مهم و اساسی در ارزیابی خصوصیات پتروفیزیکی مخازن هیدروکربنی محسوب می شوند. با توجه به کربناته بودن اکثر مخازن ایران و ناهمگنی بالای آن ها، مطالعات این دسته از مخازن، از اهمیت بالاتری برخوردار است. در این مخازن اطلاع از کلاس طبقه بندی دانهام می تواند در تخمین بهتر مشخصه های پتروفیزیکی مخزن از جمله تخلخل موثر باشد؛ تا به امروز صنعت نفت سعی کرده تخلخل را با تزریق گاز هلیم بر نمونه های مغزه (پلاگ) و بافت را با بررسی مقاطع نازک در زیر میکروسکوپ تعیین کند. استفاده از روش های آزمایشگاهی معمولاً زمان بر و هزینه بر بوده و در همه شرایط ممکن نمی باشد و در دنیای امروز صنعت نفت که با حجم وسیعی از مسائل دشوار سروکار داریم، نمی تواند پاسخگوی تمام نیازهای مهندسین و کارشناسان باشند. در سال های اخیر با پیشرفت سخت افزاری و نرم افزاری کامپیوترها، استفاده از تکنیک های هوش مصنوعی و آنالیز تصویر در صنعت نفت گسترش یافته است. بدین ترتیب با هدف کاهش هزینه ها و زمان در مطالعات مخزنی، مطالعه حاضر به دو بخش تقسیم شد: در بخش یک از تکنیک شبکه های عصبی مصنوعی برای محاسبه تخلخل مغزه استفاده شده است. نتایج نشان می-دهد تکنیک های هوشمند در تخمین تخلخل موفق عمل کرده اند. در قسمت دوم این پایان نامه سنگ های کربناته به کمک یک الگوریتم خودکار بر مبنای طبقه بندی دانهام دسته بندی شده اند. بررسی ها نشان می دهد که این الگوریتم با دقت بالا و قابل قبولی قادر به تفکیک، کلاس های طبقه بندی دانهام می باشد. مهم ترین محدودیت این روش این است که باید داده های بافت و تخلخل هم زمان برای یک میدان برداشت شود.