在铀矿勘探中利用测井曲线对岩性解释至关重要,但是由于地质环境及地层的非均质性使得岩性解释精度较低。为了提高岩性解释效率以及准确度,文章提出了一种基于自适应粒子群优化的最小二乘支持向量机(Adaptive Particle Swarm Optimization-Least Squares Support Vector Machine,APSO-LSSVM)方法对测井岩性进行解释。该方法充分发挥LSSVM的小样本优势来挖掘测井曲线与岩性之间的关系,同时利用能够自适应调整速度系数及学习因子避免粒子陷入过拟合群体智能优化算法APSO对LSSVM的径向基核函数参数、正则化参数进行优化。文章选取松辽盆地南部海力锦地区测井数据进行敏感性分析,优选出对岩性敏感的测井曲线数据作为APSO-LSSVM模型的训练数据进行训练,进而进行岩性预测。结果表明,提出的APSO-LSSVM模型能够利用更小的计算成本获得更高的预测精度,展现出了优异的预测性能。