测井曲线分层是进行岩性识别、测井相分析、储层划分、储层参数等研究的首要任务，便于在以后的研究中对具有不同特征的岩层确定研究目标及重点，统一不同井眼的研究范围。测井曲线分层主要采用人工解释的方法，不仅费时费力，还受到很多人为因素以及环境因素的影响。计算机自动分层可以避免人为分层的主观性、随意性，并在很大程度上提高工作效率。本文首先介绍了支持向量机相关理论，支持向量机是一种基于统计学习理论的机器学习方法。支持向量机不但具有坚实的理论基础，直观的几何解释，简洁的数学表达形式，而且在小样本、非线性、高维模式识别中也表现出较高优势，并且在很多领域表现出良好的推广性能，成为人工智能和机器学习领域的研究新热点。本文还介绍了支持向量机的不同算法，并比较分析了不同方法的优缺点以及性能。支持向量机的训练过程是一个求解二次规划的问题，样本的数目会影响二次规划问题的复杂度。接着介绍了核函数的相关理论和性质，以及常用核函数的构造方法，分析讨论了核函数及其参数选择选取对支持向量机的影响及其优缺点。通过对1号井采用不同核函数及其参数以及惩罚范围进行分层实验，得出了不同核函数及其参数对测井曲线分层有不同影响，取相同的惩罚范围，不同核函数对应的支持向量机的性能在时间上有很大差异，说明了核函数的选取对支持向量机的性能是有一定影响的。最后，本文应用支持向量机对一已开发地区的1～13号井进行实验，首先对1号井建立了分类学习模型，提出了针对地质结构有序连续的这一特征，应用支持向量机对测井曲线分层时，按顺序有序学习的多类分类支持向量机模型，建立的多个相邻连续两分类支持向量机模型解决了测井曲线分层的问题，并与人工分层方法进行对比分析，可以看出应用支持向量机可以得到良好的分层结果，基本与人工分层吻合，大大提高了测井曲线分层工作的效率。然后对2-7号井进行自动分层，得出了分层结果并与人工分层结果进行了比较并分析了采用支持向量机对测井曲线分层的优点及缺点和改进空间，最后对该地区8～13号井进行了自动分层，取得了一定的成果。