本文将偏最小二乘回归(PLS)与神经网络(NN)耦合，建立了储层参数预报模型.利用偏最小二乘法对影响储层参数的诸多因素进行了分析，提取了对因变量影响强的成分，从而克服了变量间的多重相关性问题，降低了神经网络的输入维数。 为了克服基于偏最小二乘特征提取方法非线性处理能力弱的缺点，提出应用核偏最小二乘(KPLS)进行特征提取的方法，其优点在于KPLS能非线性地抽取输入特征的多个正交分量，并保持与输出变量的相关性；核主元分析具有能较好地提取非线性特征的优势；KPLS提出来就是为了处理过程非线性、多输入和数据共线性等复杂问题。 针对核函数方法中单个核函数的局限性，以及PLS非线性处理能力差的特点，在研究单个核函数性质的基础上，提出了混合核函数PLS特征提取算法，以提高PLS的非线性处理能力。混合核函数集中了多个局部和全局核函数，兼具局部和全局特性，并可以通过参数调节局部和全局核函数对混合核函数的作用，应用表明，混合核函数PLS特征提取具有较好的数据适应性和非线性特性。 同时，利用神经网络建模可以较好地解决非线性的储层参数预测问题，在分析MATLAB7.0自带的径向基神经网络工具箱的基础上，提出了径向基神经网络输入参数的改进方法。 试验结果表明，基于混合核函数的特征提取算法的RBF神经网络方法与传统的储层参数预测方法比较，取得了较好的效果。