储层参数是描述储层特性、流体模式和储层建模的重要指标,也是油气藏精细评价的基础。传统的储层参数预测,都是根据测井曲线来建立一个模型去拟合孔隙度、渗透率等参数,主要有回归分析、经验公式等,其中大部分方法都是基于线性的,而在实际环境中,储层状况复杂,非均质性较强,测井曲线与储层参数之间往往是复杂的非线性关系,利用传统回归分析等方法,所建立的模型预期效果不理想、误差较大,故而寻找一种高效、精确的预测方法显得尤为必要。针对以上存在的问题,本文在研究分析了3种常见储层参数预测模型的基础上,构建了基于粒子群算法优化的支持向量机储层参数预测模型。主要工作包括:首先,分析和研究测井曲线与储层参数之间存在的非线性关系,利用支持向量机适合解决小样本、非线性及高维问题的优势,建立两者之间非线性的预测关系,最大限度利用和挖掘现有测井信息。其次,对影响支持向量机预测效果较大的核参数σ和损失函数参数ε进行优化选择,利用粒子群优化算法收敛速度快、并行性高、全局搜索能力强的优点,寻找全局最优支持向量机参数,建立优化支持向量机储层参数预测模型。最后,为了进一步验证模型的实用性和可靠性,将优化改进后的模型应用到研究区域实际储层参数预测中,对储层孔隙度和渗透率进行预测评估。实验结果表明,经过优化改进的支持向量机预测模型在准确率和运行时间上要优于传统的回归分析和神经网络等方法,模型稳定且有效,在一定范围和条件下是一种可靠、有潜力的储层参数预测方法,可对研究区域其他油井进行测试使用,为后期油气田勘探开发提供一定帮助。