支持向量机是在统计学习理论基础上发展起来的一种新的机器学习方法,它已经成为继神经网络之后,机器学习领域的研究热点。因为它具有很多优点,现已被广泛地应用于模式识别、回归估计、概率密度估计等方面,并取得了良好的应用效果。油气识别属于典型的模式识别问题,由于油气成因的复杂性,许多学习方法用于油气识别都未能取得很好的应用效果。本文在详细研究支持向量机基础理论之上,将这一新的学习方法应用于油气识别,通过与Bayes方法应用于油气识别相比较,证明了支持向量机方法用于该领域的有效性。本文的主要内容包括以下几个部分:(1)介绍了支持向量机的基础理论知识—机器学习和统计学习理论。包括机器学习中问题的表述方法,几种主要问题的表现形式,统计学习理论中VC维概念和结构风险最小化这一核心内容;(2)研究了支持向量机的数学模型及其推导过程,讨论了核函数的引入方法;(3)给出了支持向量机的求解算法,在此基础上,详细介绍了针对大量数据样本的序贯最小优化算法;(4)分析了油气样本的选取原则,探讨了Bayes方法的理论基础知识,研究了基于Bayes方法的油气识别算法;(5)研究了支持向量机应用于油气识别的有效性,并与Bayes方法进行了比对,证明了支持向量机应用于油气识别的可行性。