极限学习机（ELM）作为一种简单易行且有效的单隐层前馈神经网络,只需设置网络的隐含层节点个数,随机选取输入参数,就可以产生唯一的最优解,具有学习速度快且泛化性能好的优点,并备受关注。然而当数据维度高且混入大量的噪声变量时,ELM不能达到理想的效果。因此,深度极限学习机（D-ELM）结合深度学习优点对隐含层进行扩充以弥补其不足。为进一步提高深度极限学习机的性能,本文融合多核学习和进化计算方法,提出一类深度多核极限学习机模型,即构造多核函数学习机,再采用进化计算进行模型参数优化,并将该模型应用于测井气层识别中。本论文的主要研究工作及创新如下:（1）深度多核极限学习机研究。将多核学习方法和深度极限学习机相结合,提出一种深度多核极限学习机（D-MKELM）,即利用极限学习机自编码器对输入数据进行逐层的特征提取,然后把最后一层得到的特征数据通过多核函数来实现高维空间的映射分类,这样不仅提高了分类精度和泛化性能,还能解决高维数据的问题。另外,利用多尺度核函数灵活性好且具有完备的尺度选择的优势,将其作为深度多核极限学习机的多核函数。经UCI数据库中七种数据集实验验证,结果表明所提出的深度多核极限学习机具有很高的分类精度。（2）花朵授粉算法改进。花朵授粉算法（FPA）是一种性能较好的进化计算方法,但是存在易陷入局部最优且收敛速度较慢的缺点。为此,在FPA基础上引入量子系统和云模型,得出一种云量子花朵授粉算法（CQFPA）,使得花朵个体的全局搜索能力得到提高,加快种群收敛到最优位置。经过经典测试函数实验验证,结果表明CQFPA优化效果显著,优于常用进化计算方法。（3）基于花朵授粉算法的深度多核极限学习机参数优化研究。在深度多核极限学习机中,正则化因子、核参数以及神经元个数等参数都影响其分类精度以及泛化性能,为此采用CQFPA对深度多核极限学习机所有参数进行优化选取,即先构造适应度函数,然后采用CQFPA进行优化求解。经过UCI数据测试,结果表明基于CQFPA的深度多核极限学习机在处理多分类以及复杂的大数据上均优于常用分类算法。（4）测井气层识别应用研究。为解决石油测井气层识别精度低的问题,设计了一个基于深度多核极限学习机的气层识别系统,包括测井数据预处理、识别模型建立和气层识别等过程。通过某油田的实际测井数据测试,结果表明所设计的深度多核极限学习机识别系统的识别准确率高达97.03%,相比于其它算法,其识别准确率得到明显提升。此外,CQFPA-D-MKELM随着测试次数的增加,其测试准确率的波动幅度最小,系统稳定性最高,而且其综合评价诊断实验价值的ROC曲线下面积（AUC）达到0.9071,在气层识别中效果显著,这为气层识别提供了一种有效途径。