为了精准量化四川盆地MX—PL地区二叠系中统茅口组复杂碳酸盐岩矿物组分,突破传统双矿物体积模型计算精度不高的技术瓶颈,采用常规测井资料与矿物岩性扫描测井结果学习训练样本,建立自然梯度提升(NGBoost)模型预测碳酸盐矿物含量,并耦合基于博弈论中Shapley值的模型可解释性方法(SHAP)解析测井曲线,形成“智能算法—特征归因”双驱动的复杂岩性识别及矿物含量定量评价技术体系。研究结果表明:①通过集成学习模型优化,茅口组岩性识别精度由55%提升至85%以上,方解石、白云石、石英等组分含量预测决定系数分别达0.91、0.87、0.86,其中石英定量准确率提升了7倍;②SHAP全局归因显示石英含量预测中横波时差贡献度最高,方解石含量预测中敏感曲线以中子孔隙度为主;③特征耦合效应表明横波时差与中子孔隙度协同增强方解石含量预测正效应,纵波时差与横波时差的正相关确定石英含量计算模型;④NGBoost输出80%置信区间覆盖78%实测值,均方误差低于0.003,显著优于XGBoost、随机森林等算法。结论认为,SHAP赋能的NGBoost框架为复杂矿物定量评价提供了高精度可解释解决方案,其所揭示的测井曲线耦合规律有助于指导类似油气藏岩石物理模型优化。