储层建模是一种需要对储层地下地质特征和油藏进行精细化描述的技术。其中的重点是描述观察到的空间信息与孔隙度和渗透率等目标变量之间的预测关系。在储层建模过程中,建模结果的不确定性与物性参数的非均质性是影响模型最终精度的关键因素。本文提出数据驱动的机器学习方法,使用该方法对储层中孔隙度等物性参数的空间分布进行建模。该方法采用基于核学习的多核学习方法,整合具有多尺度特征的先验地质信息,使储层的先验知识和物性参数以一种高效的方式结合在一起,从而提升储层模型的现实性。本文展示了如何使用多核学习方法去结合地震数据与先验知识构建储层地质模型。使用图像处理相关技术从地震数据中捕获梯度等大小变化敏感的数据来确定地质特征。利用多个地质特征,使用多个核函数一一对应的方式在高维空间中计算物性参数。根据多核学习中从数据之间学得的依赖关系优于预定义模型这一原则,通过模型参数的变化,灵活地控制了储层物性参数,将预测值以一组加权核函数的方式给出。本文的方法利用油田实际储层数据进行了验证,地质模型效果良好,再现了一个复杂的辫状河储层地质模式。