基于核方法的支持向量机作为机器学习领域中的一种经典算法,在解决小规模非线性样本的分类问题中具有一定优势。多核集成学习算法框架通过在多核学习方法中引入Ada Boost思想,有效地克服了多核学习中计算量较大的优化问题。然而,由于支持向量机对于类不平衡的样本具有一定的倾向性,多核集成学习在不平衡的样本分类问题上的表现有待提升。根据油井的各项特性对油井的压驱效果进行预测,并进行选井选层是反向压驱工作中的重要环节。针对反向压驱历史数据样本规模有限、类别不平衡的问题,需要构建一种适合少量样本数据,且在不平衡数据上预测精度与效率上表现较好的机器学习模型,来满足对油井进行反向压驱效果预测的需求。基于多核集成学习面向类不平衡数据的分类表现,以及反向压驱增油效果预测问题中样本规模有限、类别不平衡的特点,本文的研究工作是基于提升多核集成学习在不平衡数据上的分类效果,主要工作内容体现在以下几个方面:（1）提出一种基于中心核对齐的基核函数评估函数CKA-Based-AF。引入数据的先验信息,定义待选核函数的CKA-Based-AF为该核函数与其它待选核函数的中心核对齐的平均值与该核函数与理想核函数的中心核对齐的比值,并选择CKA-Based-AF值最小的核函数作为最终选定的核函数。既保持了核函数与理想核函数的一致性,又保持了与其它基核函数的相异性,可以在保证分类准确率的同时,保证集成分类器的泛化性能。（2）提出一种面向类不平衡数据的多核集成学习算法NDS-MKBoost,该算法使用噪声探测函数探测样本的噪声标签,并在每轮迭代中使用噪声标签与样本的权重计算每个样本的过采样数量,最后使用SMOTE算法进行有针对性的过采样,从而减少类不平衡问题对分类结果的影响。（3）针对反向压驱选井选层工作中压驱历史数据规模有限、样本类别不均及数据不规则等实际情况,应用本文提出的多核集成学习算法建立增油量预测模型,并在此基础上,建立反向压驱效果预测系统,以满足工程上对油田压驱效果预测的需求。根据各项实验结果可知,本文算法可以有效提升多核集成学习算法面向不平衡数据的分类准确率,同时可对反向压驱增油效果进行有效预测,为反向压驱的选井工作提供参考价值。