随着勘探目标逐渐由构造油气藏转向岩性油气藏,人们对储层预测的精度要求越来越高。自20世纪90年代开始,越来越多的机器学习算法被引入到储层参数预测的研究中,例如神经网络算法和支持向量机算法。神经网络算法计算量大,运算效率低,支持向量机算法需要调节的参数较多。随机森林算法是多棵决策树的集合,可以很好的规避这些缺陷。相比于传统的决策树算法,随机森林算法分类效果更好、预测精度更高,而且不易过拟合,被广泛应用于计算机视觉、医疗以及金融等诸多方面,但是在地球物理以及储层预测方面应用较少。本文基于随机森林的分类算法,挖掘地震属性与储层参数类别之间的非线性关系。首先,研究了随机森林分类算法的基本原理和性质,分析了随机森林分类算法的实现过程,着重研究了特征选取以及变量重要性的求取过程。其次,提取了与岩性相关的地震属性,基于地震属性的优选原则选取与储层参数类别相关性强的敏感性地震属性子集。对所获得地震属性之间的相关性进行了分析,以保证地震属性之间的相互独立性。随后,研究了样本多样性对分类效果的影响,主要研究不平衡数据集的处理方法,讨论了多种重采样方法的优缺点,优选了Smote算法对样本数据进行平衡化处理,并讨论了分类问题的评价指标。论文最后将随机森林的分类算法用于实际地震资料,对目标层段储层类别进行了测试,取得良好效果。研究结果表明,Smote算法能够有效地消除样本数据存在的不平衡问题,改善分类器的分类性能。同时,随机森林分类算法可以有效地对地震储层进行分类,将井点处的储层分类有效地扩展到整个目标区块。