近年来,随着油气勘探开发的深入,低渗致密等复杂油气藏、非常规油气藏油气资源越来越多,逐步成为勘探与开发的重点,也是技术攻关的难点。甜点是指储层物性相对较好、含油性较好、具有一定厚度和范围的油气聚集区。油气资源勘探的任务就是寻找这样的油气储层甜点,并准确刻画甜点储层的分布范围。复杂油气藏的甜点受控因素多而复杂,表现为相关数据信息的种类繁杂、数据量庞大,传统的地质学方法很难应对。随着信息技术的发展,油气勘探也逐渐从知识驱动的时代转向数据驱动的时代,计算能力的提升和数据挖掘、机器学习等人工智能新技术为储层评价和甜点预测提供了新的技术途径。论文在深入了解地震属性分析、甜点预测、储层评价等相关研究现状的基础上,通过分析储层甜点的主控因素,重点研究机器学习在甜点预测中的应用,探讨利用机器学习技术分析多种地震属性等甜点主控因素,提出甜点预测的新的解决思路。首先优化多种地震属性,利用主成分分析技术对地震属性进行降维处理,并提出一种改进的多阈值BIRCH聚类(M-BIRCH)方法完成岩相划分,该方法消除BIRCH聚类只能识别相同形状簇的局限性。然后在沉积相以及沉积体系的约束下,提出利用相控法的思想,结合基于拟牛顿法优化的多层感知器神经网络对孔隙度进行预测,并以杨氏模量、泊松比等弹性模量为基础,分析比较前人在脆性指数计算的相关研究。最后将上述得到的预测结果利用层次分析法进行储层综合评价,计算出适用于研究区的储层评价标准,得到有利于甜点发育的区域分布。同时考虑二维平面对最终结果的局限性,利用体绘制中的光线投射算法进行三维可视化。模型实验分析表明,本文提出的M-BIRCH方法结合多种地震属性可有效划分砂岩相和页岩相,以此为基础得到的孔隙度预测结果准确度与稳定性较好,三维下的甜点研究使得预测结果能够更加直观。