岩性识别是测井解释中的重要环节,识别准确率影响着后续的储层划分、储量预测等勘探开发工作,正确识别岩性有着重要的地质意义。机器学习算法以其自学习、自组织、高度非线性和容错能力等优势,在解决岩性识别准确方面具有天然的优势。通过资料分析研究表明,测井过程中极易受到环境、设备等因素的影响,不可避免的在测井曲线中混入噪声数据。常选用小波阈值等降噪方法对原始测井数据进行处理,该方法可以有效的提高信噪比,但仍不能保证完全的移除测井数据中混入的噪声数据。利用具有抗噪性的多核集成学习算法能够有效解决测井数据中含有少量噪音的问题,有效的提高岩性识别准确率。多核集成学习算法既拥有准确性高、灵活性强的优点,又避免了多核学习算法中求解复杂优化的问题。多核集成学习现有的优点可以适应测井特征多、岩性类型复杂的特点。针对多核集成学习对混有噪声数据的测井数据识别岩性准确率不稳定的问题,本文的工作主要有以下几方面:(1)提出一种具有抗噪性的多核集成学习算法。首先,利用K-近邻算法构建噪声探测函数,判定样本噪声概率,进而识别噪声数据;然后,引入SAMME算法思想,实现多核集成学习算法多分类的目的;最后,结合每轮训练结果和噪声探测结果,提出新的权值更新方式来适应混有噪声数据的数据集。(2)对测井方法的原理、噪声问题和岩性类型不均衡问题进行一些列分析,筛选出影响岩性识别准确性的测井曲线。在此基础上选择识别岩性效果最好的核分类器建立了单核分类器。(3)针对岩性识别中存在的问题,建立了具有抗噪性的岩性识别多核集成学习模型MKBoost-MC。利用小波阈值去噪方法对原始测井数据进行初步去噪处理,经过预处理后的数据作为模型输入数据,对应岩性预测结果为模型的输出数据。通过实验验证,实现了对含有噪声的测井结果预测岩性的目的。