在地质勘探研究中,储层参数预测是综合利用地震和测井数据来评估和预测储层的岩性、物性及油气等性质的过程,其中孔隙度是最重要的储层参数之一。精确预测孔隙度,可以为地质综合评价、井位部署、储量估算等研究提供关键依据。在孔隙度研究早期,孔隙度测量方法以直接法为主,但存在取芯困难、成本高的问题。近年来,以极限学习机（ELM）、前馈神经网络（BP）等为代表的间接法成为了主流,但这些传统方法,都存在孔隙度预测精度低,泛化能力差的问题。因此,建立快速、经济、有效的孔隙度预测方法是一个研究热点。本文中针对储层测井数据进行孔隙度的预测研究。由于测井数据在采集阶段,受系统误差、人为误差等因素的影响,造成测井数据中存在异常值和深度偏差等现象。因此,本文对测井数据进行异常值清洗、深度校正和数据归一化处理,以提高测井数据的准确性。最后为解决实际测井数据量巨大导致计算缓慢的问题,采取主成分分析（PCA）的方式提高计算速度。针对支持向量回归（SVR）在孔隙度预测研究中存在参数选择盲目的问题,本文使用了基于种群的启发式蜻蜓算法（DA）进行优化。但蜻蜓算法中存在早熟收敛、求解精度不高的问题,本文提出了一种基于混合机制的蜻蜓算法（EIADA）。通过蜻蜓群体寻找食物过程中的分离、对齐、凝聚行为实现对支持向量回归参数的优化,得到一个最优的预测模型,最后使用优化后的EIADA-SVR模型对孔隙度进行预测。实验证明,与其他间接法相比,本文建立的基于混合机制DA-SVR的孔隙度智能预测模型具备更强的泛化能力、更高的预测精度。该模型已通过现有测井数据集的验证与分析,预测精度比其他间接法高。