在油气勘探和开发过程中,获取精确的孔隙度分布是关键工作之一。如果地层非均质性较强,且测井曲线与储层特性之间具有高度非线性关系,传统的基于单变量、线性假设的物性参数预测方法已经不能满足生产需求,虽然地层核磁实验得出的结果精度高,但是成本同样较高。因此,有必要开展孔隙度预测方法研究。机器学习算法在当前数据时代已成为研究热点之一,因其在处理非线性问题时的优异表现,在地层物性参数研究领域已受到广泛关注。本文选取声波时差(AC)、自然伽马(GR)、地层深电阻率(RD)、浅双侧向电阻率测井(RS)、总有机碳(TOC)、密度(DEN)、补偿中子(CN)7种测井曲线数据,结合地球物理反演技术,对研究区块内4口井建立随机森林回归和支持向量回归模型预测孔隙度。利用R语言编程,预测结果显示,支持向量回归平均预测误差为17%,而随机森林回归在小样本预测误差为15%,大样本时预测误差在10%以内。综合比较随机森林回归要优于支持向量回归模型。在建立随机森林回归模型预测孔隙度的同时,模型能够给出影响孔隙度的变量重要性排名,结果表明,声波时差(AC)、自然伽马(GR)、密度(DEN)、总有机碳(TOC)对孔隙度影响较大,浅双侧向电阻率测井(RS)影响最小。将高精度随机森林回归模型孔隙度预测值抽稀选取部分数据进行随机模拟,结果显示变异函数为指数函数时模拟效果最好,和原始随机森林孔隙度预测值吻合度最高,能够最大限度挖掘孔隙度分布信息。研究结果表明随机森林回归模型较支持向量回归模型预测精度较高,模型稳定性更好、外推能力更强、效率更高,在一定范围和条件下,为地层物性参数孔隙度的预测提供了一种经济、高效的新方法,在实际工程中有一定的借鉴意义。