AVO(Amplitude Versus Offset)反演可获得多种叠前属性,但单一的属性(或因子)对流体的识别能力较组合因子弱,因此利用多参数或组合因子进行流体识别是目前油藏描述的发展方向之一。本文基于叠前地震资料,在提取多种AVO属性和组合因子的基础上,利用近似支持向量机进行机器学习,以提高流体识别的精度。研究包括以下三个方面:(1)比较了支持向量机(Support Vector Machines,SVM)、近似支持向量机(Proximal Support Vector Machine,PSVM)的原理与优缺点;(2)分析了单个AVO属性、组合因子的流体识别能力,优选了用于PSVM的输入参数;(3)搭建了PSVM的多类分类算法对实际工区进行流体识别的流程框架。首先采用理论数据进行PSVM一系列主要功能的验证,其次利用实际井旁道数据进行学习,最后利用PSVM对整个剖面进行了分类。通过以上研究,得到了以下认识:(1)PSVM方法基于传统的SVM在运算效率上明显提高,且对大样本数据的处理上更加具有优越性。大量的实例研究证明无论是理论数据,还是实际的井旁道数据,PSVM都能用其对应的分类功能将其判别分类,其分类效果较好,也从侧面验证了组合型流体识别因子的显著气-水识别能力;(2)利用AVO角道集差异所构建的扩展流体识别因子具有较高的实用性和灵敏性;(3)AVO地震反演可以得到P-G剖面和由P-G剖面计算获得的其他参数剖面,利用这些属性参数剖面可以较容易地分离AVO异常,作为检验AVO地震反演处理的一致性和正确性有着重要的研究意义;(4)利用PSVM多类分类方法对多属性流体判别后得到的结果相较于单因子的流体识别更加精确,其划分效果更明显,能精确识别含气储层的异常响应。