自地震勘探技术产生以来,不断有新的方法被提出和应用。伴随着这些新方法的提出,许多新的参量也顺势而生。因此,人们已经不仅仅局限于利用单一的参数信息来分析储层,而是结合多种信息来综合性地描述现有数据与目标特征之间的关联性,从而提高预测的准确度。目前,多数研究者一般采用两种方式来分析数据与目标之间的关联性:一是挑选出两到三种参数进行交会,通过交会图中不同目标数据的分布特征差异来识别特定的目标体;二是通过多种属性切片或剖面来综合地反映已知目标的特定特征,研究区中与目标属性特征一致的区域就是潜在目标。从实际的应用效果来看,以上方法能够取得较好的效果,但也存在一些不足之处:第一,待判别目标具有多个属性,属性差异的大小也不同,所以不同的交会组合对于待判别目标的区分效果有好有坏。如何结合多个属性特征来进行综合性地识别是一亟待改进之处。第二,判别式在制定时容易受到人为因素影响,由于表达式一般较为简单,导致方法的灵活性不高,准确性不够。自上世纪90年代中后期支持向量机理论快速发展以来,该理论在地震勘探领域中也得到了较多的应用。支持向量机一种有监督的机器学习方法,它基于结构风险最小化原则提出,得到的是全局最优解且能够规避欠学习或过学习的风险,因此相比神经网络及传统模式识别等方法而言该方法可靠性高。近年来,近似支持向量机理论逐步得到了发展,在判别的准确度不低于传统支持向量机的前提下极大地提高了运算性能。因此,在地震勘探中采用近似支持向量机就可以带入更多的属性和训练样本,通过数据量的大量增加来减少错误数据所占比重,从而提高判别准确率,这也使一些采用大数据量的支持向量机方法得以突破计算效率的瓶颈。基于以上原因,可以通过采用近似支持向量机方法来结合多个属性对目标进行判别分类,从而解决参与判别的属性种类数少以及判别准确度低的问题。本文的研究内容和成果大致如下:首先,介绍了支持向量机、近似支持向量机的发展历程、研究现状以及优势特点,进而提出采用该方法的研究目的和意义。第二,详细介绍了支持向量机、近似支持向量机的方法原理,通过实例分析总结出近似支持向量机的应用优势和特点。将近似支持向量机方法与井数据结合,通过将该方法应用到岩性判别和流体识别中,取得了较好的判别效果,进而证明近似支持向量机理论在实际应用中的可行性。第三,将近似支持向量机方法的应用从井所代表的“点”拓展到地震数据所代表的“面”上。将属性进行优选并生成训练集,利用近似支持向量机对待判别区域的属性体进行判别,预测含有利区,效果较好。另外,通过从四类含气砂岩模型的AVO曲线提取出极值点、斜率等多个描述曲线形态特征的参数形成训练集,最终将训练结果用于实际目标层的含气类型的判别,可以实现较好的判别效果。因此,通过在属性和AVO判别上的应用,证明了近似支持向量机理论的有效性,能够在储层分析中较好地发挥识别作用。