【目的】精准识别碳酸盐岩沉积相带是开展岩相古地理重建的基础。然而,沉积相特征的多解性与人工解释的主观性给识别工作带来困难,且传统测井相解释方法存在效率低下和解释结果受经验制约的局限。本研究旨在通过机器学习算法构建可复用的智能解释模型,改善测井沉积相解释受限的状况,提升碳酸盐岩地层沉积相判识精度和效率。【方法】以川东北元坝地区长兴组碳酸盐岩礁滩相区的5口钻井为研究对象,选取声波时差(AC)、自然伽马(GR)等测井曲线作为特征参数,构建基于改进随机森林(Improved Random Forest,IRF)算法的碳酸盐岩测井沉积相识别模型。采用SMOTE-Nearmiss-1混合采样策略解决样本不均衡问题,并通过网格搜索结合K折交叉验证确定最优参数组合。【结果】改进后的模型在目标井段上的盲测结果与外部专家的沉积相分析结果对比,准确率达87%,相较于初始模型有所提升。有效识别出开阔台地、台缘礁滩等优势亚相,较好反映了区域沉积演化特征。【结论】基于机器学习的沉积相识别方法能够提升识别精度,并在实际应用中展现出有效性与实用价值。