油气资源是国家战略资源,我国油气勘探开发已不再局限于浅层和储集条件简单的区域,对复杂油气储层的勘探开发将成为石油勘探领域的重中之重。由于储层勘探难度越来越大,运用新技术来研究储层的评价和预测成为新的热点。储层是油藏地质建模的主要对象,通过储层参数预测建立特定属性的地质模型,是解释地层、评价油气藏、降低油气勘探风险的基础和关键。孔隙度是建立地质模型重要的储层属性参数,因此准确的预测孔隙度对于地质建模至关重要。常规方法计算储层属性参数已经不能满足复杂油气藏的计算需要,而人工神经网络、支持向量机、决策树等机器学习方法的兴起,为储层属性参数预测提供了新途径。本文在研究分析多种机器学习方法的基础上,构建了基于选择性集成学习的孔隙度预测模型。针对测井数据和储层孔隙度之间的非线性关系,深入研究支持向量机（Support Vector Machine,简称SVM）、径向基（radical basis function,简称RBF）神经网络、随机森林、岭回归和K近邻回归等经典方法,采用选择性集成学习策略,选择出一组表现优异的个体学习模型组成集成学习模型,个体在集成学习模型的权重分别由简单平均法、遗传算法和本文提出的“主成分权重平均”法获得,对比分析不同组合策略的输出结果,选择最优组合策略作为预测模型。考虑岩性对孔隙度预测精度的影响,本文选择岩性响应特征明显的测井数据,利用支持向量机、逻辑回归、随机森林等机器学习方法进行岩性分类,并选择岩性分类准确率最高的方法建立岩性分类模型,把岩性分类结果应用到储层孔隙度的预测中,建立属于不同岩性的选择性集成学习孔隙度预测模型,进一步提高孔隙度预测的精度。利用实际数据验证了各个模型的有效性。实验结果表明,相比其他模型,融合岩性分类的选择性集成学习模型的预测精度更高、稳定性更强,为机器学习在油气资源评价中的应用进行了有益的探索。