随着人工智能技术的进步与发展,越来越多的传统学科纷纷引入机器学习和深度学习等算法对传统学科问题进行研究分析。近年来,地质大数据的蓬勃发展更是促进了地球物理学和人工智能的结合。岩性识别不论是在地层评价,还是在油藏描述、储层计算等地质勘察工作中都有着重要的作用。然而传统的岩性识别方法存在着周期长、效率低、主观因素影响大等问题,使得地质工作人员难以及时并准确的识别岩性。目前在岩性识别领域使用较多的是神经网络算法,但其网络结构不好设计,难以选择合适的参数,且无法对错误样本再学习。因此,本文在深入研究传统机器学习算法的基础上,建立基于多种机器学习算法的集成模型并将其应用于岩性识别问题上,此外,本文还结合粒子群优化算法对集成模型中如何寻找最佳超参数的问题进行研究与改进。本文主要完成的工作如下:（1）针对传统基于测井响应方程的测井岩性识别方法效率低并且信息冗余等问题,本文提出了一种基于集成学习的测井岩性识别方法,该方法通过集成学习建立了一种以K近邻、随机森林和支持向量机三种模型为初级训练器,以逻辑回归模型为次级训练器的集成模型。（2）针对标准粒子群优化算法收敛速度过快的问题,本文提出了一种改进方法,该方法通过增加压缩因子和动态选择学习因子的方法对标准粒子群算法进行改进,使粒子群在搜索初期能尽快的找到种群中最优的粒子,而在搜索后期具有更强的跳出局部最优值的能力。（3）针对测井岩性识别集成模型超参数较多,难以选取的问题,本文采用改进后的粒子群优化算法对集成模型中的部分参数进行优化,实验证明,使用改进后的粒子群算法优化的集成模型的性能优于标准粒子群算法优化的集成模型的性能,岩性识别的精准率更高。实验结果表明,本文提出的集成模型的识别率比随机森林、梯度提升树、人工神经网络模型的识别率更高。改进之后的粒子群算法的局部搜索能力更强,使用改进后粒子群优化的集成模型的识别率有了一定的提高。本文提出的测井岩性识别模型,为岩性识别提供了一种新的方法,通过集成学习更好的解决了传统岩性识别周期长、效率低等问题。