地震数据中蕴含着丰富的有关地下的地质构造、底层岩性和流体物性等信息,是储层预测的数据基础。但随着我国油气勘探开发的水平越来越高和勘探领域的不断延伸,地震属性数量和种类膨胀式增长,储层预测难度增大。数据挖掘是一种有效进行储层预测手段。本文基于数据挖掘中的特征降维方法和聚类分析构造了储层预测模型。基于数据挖掘的储层预测模型在实际使用中经常需要人工设置参数。如果使用者不了解数据挖掘技术,设置参数是一个困难的事。储层预测模型参数选择的好坏对其预测结果有很大影响。储层预测模型一般会有多个参数,有的参数变化范围比较大,模型参数取值组合很多,人工寻找模型最佳参数很耗费时间。本文提出一个储层预测模型参数自动寻优的方法,无需用户设置模型参数,减轻了用户的负担,并且收敛速度快。首先,针对储层预测模型中的聚类算法参数优化问题,本文使用一种基于混合编码的粒子群对聚类算法的参数进行寻优。根据聚类目标—类内相似度最大、类间相似度最小,设计粒子适应度函数,进而提高聚类结果质量。其次,对整个储层预测模型的参数优化进行研究。储层预测模型包含特征降维和聚类分析两部分。通常这两部分是单独进行优化,但这样得到的结果是局部最优,而不是全局最优。本文利用混合粒子群对整个模型的所有参数同时寻优,也就是特征降维和聚类分析联合优化。最后,地震数据绝大部分都是无标签数据,标签数量很少。本文提出了一种基于聚类结果的自动标签选取方法以获得更多的标签,使得依赖于一定规模的训练数据的有监督分类算法能产生较为精确的分类器。对于基于分类算法的储层预测模型参数寻优,也使用混合粒子群方法,以提高分类精确度。实验表明,混合粒子群能自动地对储层预测模型参数寻优,提高模型预测精确度。储层预测整个模型参数同时寻优,比单独寻优的效果好。基于自动标签的分类效果并不比聚类效果差,说明了基于聚类结果的自动标签选取方法是有效的。