为了提高铀矿钻孔地层岩性识别的准确性,解决传统集成学习模型识别地层岩性效果不佳的问题,提出了一种基于主成分分析优化的Stacking集成学习模型。首先,基于皮尔逊相关系数量化测井参数与目标岩性的线性关联强度,结合测井地球物理机理,筛选出与岩性关系较为密切的6个测井参数作为输入特征。同时,计算基学习器预测误差的皮尔逊相关系数,并使用Q统计量矩阵评估预测结果的相关性,从中筛选出误差互补性强(即低相关性)且预测模式差异显著(即低Q值)的基模型组合。通过主成分分析算法对基模型的预测结果进行加权融合,并将这些融合后的特征作为输入,构建第二层元模型的训练数据,从而实现一个高精度的多层次集成学习模型。实验结果表明,基于主成分分析优化的Stacking模型的识别精度达97.19%,明显优于传统Stacking模型以及所有个体模型的性能,这一结果验证了所提出方法的有效性,为砂岩型铀矿钻孔地层岩性识别研究提供了新的思路和方法。