孔隙度是评价储层质量的关键指标,实验测试获取连续的孔隙度数据十分昂贵,基于测井数据的准确预测对储层刻画至关重要。但传统的神经网络调参复杂且无法充分学习测井曲线与孔隙度之间复杂非线性关系的问题,本文提出一种基于遗传算法(GA)优化的一维卷积神经网络(1D CNN)模型。首先,利用皮尔逊相关系数分析孔隙度与密度、声波时差、泥质含量、铀、钾等测井参数的相关性,结果表明相关系数分别为-0.80、0.72、-0.36、0.43和-0.34。在此基础上,构建GA-1D CNN模型,以川南X地区Y1井龙马溪组储层孔隙度预测为研究对象,并与传统CNN、GRU、LSTM和BP模型进行对比。结果显示:(1)GA优化提升了模型全局搜索能力,加速收敛速度,提高预测性能;(2)GA-1D CNN训练100轮后收敛,在训练集和测试集表现最佳;(3)Y1井测试集上,R²、MAE和RMSE分别为97.98%、0.1292和0.2948,优于其他模型。该方法降低了过拟合风险,在储层参数预测中展现出良好应用潜力。