随着页岩气勘探开发的不断深入,精准、高效地划分与预测岩相成为评价页岩气储集层品质的关键。传统的岩相测井识别方法存在主观性强、难以应对大规模数据集以及难以有效捕捉数据中复杂的非线性关系等局限性。本研究以四川盆地下寒武统筇竹寺组页岩气储集层为例,充分利用岩心测试分析的精确数据刻度测井曲线建立的岩相标签数据集,提出了一种融合传统机器学习模型:决策树、支持向量机(SVM)、K近邻(KNN)以及深度学习模型:一维卷积神经网络(1D-CNN)的集成学习(Voting)模型进行岩相分类预测,且对比传统机器/深度学习模型与集成学习模型的预测效果,评估其在复杂页岩岩相预测中的应用潜力。研究结果表明:集成学习(Voting)模型在岩相预测精度上表现最佳,预测精度达到94.0%,显著优于单一基学习器模型(决策树、KNN、SVM及1D-CNN)。形成的集成学习方法,通过融合4种基学习器模型各自的优势,有效克服了传统分类算法受岩相样本不均衡的影响引起的识别偏差,提升了稀缺样本的岩相识别能力,为四川盆地高—过成熟筇竹寺组深层页岩气储集层测井岩相剖面的高精度恢复及甜点预测提供了技术支撑。