采集的地震资料数据包含了大量地下地质信息,从原始资料中提取的地震属性则直观的反映了地下地质的各种特征。随着计算机技术的不断更新,数学算法的不断优化,地震属性的种类也不断增加,从地震数据中提取地质信息的能力大大地加强,通过地震属性对储层的预测方法受到更多人的关注。然而大多数利用地震属性预测储层的方法,都是通过单一属性预测,不仅达不到预测精度,还存在多解性问题,因此多属性分析技术应运而生,即利用多个地震属性进行综合分析。其中主要方法为基于多元信息融合的地震多属性融合技术。其中基于主成分析的多元信息融合技术,在模式识别,数据压缩降维中占有重要地位,是K-L降维变换的方法之一。通过一定的准则,进行特征互补,除去冗余信息,产生新的数据,是主成分分析的主要思想,由于新数据在保留大部分原有数据特征的同时删除了大量冗余信息,从而提高预测精度,能够解决单一地震属性分析多解性问题。本文主要研究了PCA的方法原理,利用PCA的降维优势,将提取的多个敏感属性进行降维处理,实现属性融合。并且,为了更好的提取敏感属性中的非线性特征,引入核函数思想,建立KPCA模型,即核主成分分析。同时基于贝叶斯概率理论,在核函数模型的基础上,建立PKPCA模型,即概率核主成分分析。通过基于PKPCA地震多属性融合技术,能较好的对地质情况进行分析,提高储层预测的精度。同时研究了基于PKPCA的岩性识别模式,以及基于KFDA岩性识别模型。利用多个与岩性相关参数,提取不同岩性特征。针对大规模地震属性数据在引入核函数后出现的核矩阵规模巨大的问题,提出了大规模数据集核矩阵的优化问题。重点研究了基于分块思想的自相关矩阵优化,以及基于迭代思想的样本库重构方法。在保证数据精度的同时降低核矩阵计算的复杂度。并利用PKPCA模型对五百梯目的层生物礁空间展布以及储层有利区发育进行分析。