面对越来越复杂的油气藏类型,储层预测尤其是针对河道砂体这类隐蔽性类型,想要获得储层的物性、岩性等信息,就必须要明确属性与储层参数的非线性关联。目前,机器学习得到广泛的应用及研究,不同工区不同储层也适用于不同的算法,算法各有优缺点。文章以随机森林回归算法为主,并分析对比了支持向量机及BP神经网络,探讨在河道砂体厚度预测中的适用性。在对地震属性原理及其地质意义研究基础上,首先对地震数据体进行频谱分解,得到各分频地震数据体,然后提取各分频数据体的若干地震属性,其中以振幅类为主;其次,本文采用了随机森林对特征重要性排序的功能来优选地震属性,分别针对自然伽马（GR）、声波时差（AC）、深浅电阻（RLLD&RLLS）这四个对岩性敏感的测井曲线,优选出四组对应的敏感地震属性体;再次,将各类测井曲线的数值分别作为学习目标,以不同的地震属性作为输入构建机器学习样本集,建立测井数据体回归模型。在此部分的研究中,将均方根误差（RMSE）作为评价指标,分别对支持向量机、随机森林及BP神经网络这三种算法构建的模型进行误差分析,三个模型的RMSE评价结果分别为4.86、4.38及5.22,最终选用误差值最小的随机森林回归算法进行后续的研究,进而映射得到四个测井属性三维地震体。最后,同样采取参数重要性评估方法,根据四个不同测井数据类别的参数重要性作为不同权重,对四个测井属性三维地震体进行地震属性融合,得到砂体预测的三维数据体;在层位标定的基础上,根据参考已钻井成果,确定预测数据体的砂岩阈值,从而得到整个工区储层段砂体的分布。对预测值误差分析可知,几个主要目的层的砂体厚度预测值与实际值的绝对误差均小于1m,符合率均在85%以上,精细程度好于该工区以往基于地震反演技术的储层预测结果,尤其对井控程度低的区域。全文处理方法更为简单方便,速度更快,人为干预少,较为客观。