基于常规测井资料的储层渗透率预测理论研究与技术开发对储层评估和油气开发具有重要意义。现有方法存在一定的局限性:1)输入特征（测井参数）需要由专家经验选择,且有些特征无法直接通过测井获得;2)常规基于机器学习算法的渗透率预测模型预测精度和效率低;3)由数据分布差异导致的跨井预测问题尚没有行之有效的解决手段。为解决上述问题,本文以中国西部某油田测井数据为研究对象,利用机器学习技术,分别从测井参数特征选择、集成学习渗透率预测、迁移学习跨井预测三个方面,系统地开展储层渗透率智能预测方法研究。重点解决常规方法依赖专家经验、预测精度低以及跨井渗透率预测问题。为减少输入特征选择对于专家经验的依赖,本文研究了原始测井参数选择方法,分析对比了过滤式、包装式和嵌入式三种特征选择方法的性能,并采用嵌入式特征选择方法为后续储层渗透率预测提供最优特征子集。进一步,为提高储层渗透率预测的效率和精度,本文采用集成学习思想,设计并构建了一种基于轻量梯度提升机（Light Gradient Boosting Machine,Light GBM）的储层渗透率智能预测模型,提高了渗透率预测精度与效率。在此基础上,为解决跨井渗透率预测时的数据漂移与分布差异问题,本文研究并提出了一种基于欧式距离过滤与样本权重（Euclidean Distance Filtering and Sample Weight,EDFSW）的样本迁移学习方法,利用源域样本预测目标域渗透率,提高了跨井渗透率预测精度。本文采用实验分析的方式对所提方法进行有效性验证。在测井参数选择分析对比研究中,嵌入式特征选择方法在不依赖专家经验的前提下有效降低了输入特征维度,能利用最少的测井参数取得较满意的预测效果。相比于其他渗透率预测模型,基于Light GBM的渗透率预测模型因具备训练速度快、预测效果好的特点,能有效提升渗透率预测效率和精度。本文所提出的基于EDFSW的样本迁移学习算法,能有效过滤出与目标域相似的源域样本,进而提高跨井渗透率预测效果。