近年来,随着石油价格的不断攀升,钻井企业的每年钻井井深和钻井成本大幅增加,如何有效的控制钻井成本对钻井企业至关重要。钻井作业流程具有一定的特殊性和复杂性,不同的区块、不同的井型和不同的技术等对钻井成本有着不同程度的影响,分析影响钻井成本的因素和准确的预测钻井成本有利于钻井企业对成本进行有效的管理与控制。支持向量机是基于统计学习理论的新一代机器学习技术。使用结构风险最小化原则代替经验风险最小化原则,泛化能力强,能有效地解决小样本情况下的回归预测问题。首先阐述了支持向量机思想的理论基础的统计学习理论。重点对学习理论中的VC维、泛化能力的界、结构风险最小化原则作了介绍,并分别介绍了支持向量机回归的基本思想和基本算法。其次结合具体的钻井成本数据,简要介绍了钻井作业流程和钻井成本构成,对影响钻井成本的主要因素进行分析,描述了钻井成本预测中应用支持向量机回归方法的步骤,依据实际的样本数据,进行数据试验,并与传统的BP神经网络和多元回归方法进行了对比,验证了支持向量机回归方法能获得更精确的预测。接着介绍了参数搜索方法和直接确定方法,针对钻井成本数据变化较大的特点,提出了一种新的参数搜索方法,并结合标准数据集和钻井成本数据集进行验证,得出该方法是有效可行的。最后结合支持向量机理论和钻井企业的实际情况设计了钻井成本预测系统,该系统在企业的应用中取得了好的效果。