支持向量机由于其诸多的优良特性,近年来引起了广泛的关注,已经成为一个十分活跃的研究领域。本文较全面地研究了支持向量机的理论及应用方法,讨论了支持向量机中高斯核函数参数的选择问题,首次将支持向量机用于测井参数属性估计储层属性中。本文中,首先对支持向量机的理论基础——统计学习理论作了一个概述,主要论述了学习过程的一致性,如何控制学习过程的推广能力等问题,其次,对简单的线性可分数据,详细介绍了线性支持向量机的工作原理,即寻找具有最大的分离超平面;核函数的实质是通过一非线性映射把原空间上非线性可分的数据映射到另一个特征空间上的线性可分数据,然后利用与线性支持向量机完全一样的方法,在该空间建立一个超平面,使其在原空间对应着一个非线性超曲面,通过引入一个核函数使所有的计算在原空间完成。同时针对本文主要讨论的回归问题给以详细地说明,支持向量机的解最终归结为一个凸二次规划,有全局最优解。简单介绍了支持向量机较常用的训练算法——序贯最小优化算法,自己编程用MATLAB实现了该算法,数值试验结果表明支持向量机具有较强的学习能力。另外本文具体讨论了支持向量机中高斯核函数中参数σ对支持向量机学习预测性能的影响,证明了参数σ趋于零和无穷大情况下支持向量机的性质,指出高斯核函数具有描述样本相似程度这一性质,通过数值实验和理论分析给出了一种选择高斯核函数的方法——拐点法。进一步指出样本数据标准化对学习预测的影响,给出了标准化后选择较优高斯核函数参数的一个大致范围。最后根据石油地质勘探的实际问题,将支持向量机运用测井曲线预测储层参数——孔隙度、参透率,同时与反向传播神经网络函数逼近法预测进行比较,结果表明,该方法预测精度高,方法稳定有效。支持向量机较好的解决了小样本测井勘探的实际问题。