明确多层油藏中各层注采井之间的连通性关系，不仅有助于制定注采方案、判断剩余油分布，还可用于分析油藏动态变化，进而为开发方案提供科学指导，有效提升油藏开发效益。针对传统深度学习方法未融合渗流机理等物理约束，存在可解释性弱、反演参数困难等问题，提出了一种基于物理信息神经网络的多层水驱油藏井间连通性分析方法：将物质平衡方程和神经网络进行融合，通过井组数据与神经网络权重相乘的操作，只关注与注水井有连通关系的生产井，不仅减少了周围井对分析结果的干扰，还降低了数据处理的工作量；设计了嵌入物理约束的损失函数，在纵向上对水驱油藏中生产井的产液速率进行劈分，以此保证多层水驱油藏在纵向上能够满足物质平衡，从而增加了模型对井间连通性分析的可解释性和可靠性。为验证该方法的有效性，选取实际油田区块进行分析，通过模型训练和预测，得到各层段的注采井间连通性和生产井产液速率结果。结果显示，井间连通性结果与示踪剂监测数据基本一致，生产井产液速率预测曲线精度较高。这为油田实际生产中的井间连通性分析提供了有力的技术支持。