地质统计学随机建模方法是进行地质属性模拟的重要技术之一。其核心思想是通过已知测井数据计算实验变差函数,然后按照随机路径构建并求解克里金方程进行插值模拟,来重现地质模型可能的样子。在传统地质统计学随机建模中一般存在如下问题:传统地质统计学随机建模方法通常不考虑地震相的划分对随机建模过程的影响,导致建模结果不能全面整体地反映地质空间结构特征,为解决此问题产生了相控随机建模方法。但传统相控随机建模方法仍然存在不足:1)传统相控随机建模方法在对地震相进行分类时,往往要处理大量地质属性数据点,计算速度非常缓慢;2)传统相控随机建模中在插值时采用的仍然是传统克里金方法,该方法构建出的克里金方程在对未知点进行插值时只考虑了属于同类地震相已知数据点的影响因素,未考虑来自不同地震相的已知数据点对待插值点的影响因素。我们有理由认为,哪怕属于不同地震相的数据点之间的相关性小于属于同类地震相数据点之间的相关性,仍然有必要将这种相关性考虑进去。为解决以上问题,本文引入机器学习分类技术中的稀疏表示谱聚类方法对地震相进行加速聚类,并且在考虑属于不同地震相的已知数据点的影响下进行地质属性变量的随机建模。在地震相分类过程中往往需要处理大规模地质属性数据,其计算量和复杂度在实际研究中通常让人难以接受。为此本文在传统谱聚类算法的基础上,提出基于真实测井数据的稀疏表示谱聚类方法,来加速计算过程。通常情况下加速聚类的代价,是聚类效果的损失,但本文提出的基于真实测井数据的稀疏表示方法在一定程度上可以减少这种损失。同时,在随机建模的插值过程中,本文对传统简单克里金方程进行一定程度的改进,在方程中引入属于不同地震相的点之间的相关性,使得建模结果可以更全面地展现空间地质结构特征。地震相对于地质分析具有重要参考意义。本文力求对地震相进行快速准确划分,在对未知点进行插值时尽量考虑属于不同地震相的点相互之间的相关性,对传统相控随机建模方法分别在相划分和插值方面进行了一定改进,对地质勘探和地质储层预测具有一定意义。