储层物性参数是指如孔隙度、渗透率等用以描述储层物理性质的参数。这些参数可以准确定量的刻画储层孔隙大小以及储层允许流体通过的能力,在油气开发中有着重要的应用。准确的储层物性参数主要获取方式为钻井取岩心样本然后通过实验进行测定,该方法成本过高同时难以无法在没有测井的位置进行,不能获取整个工区物性参数预测结果,因此使用受限。传统储层物性参数主要预测方法有两种:1.通过岩石物理模型建立储层弹性参数与物性参数之间的线性回归关系进行物性参数预测;2.建立深度学习模型对储层物性参数进行预测。前者由于缺少对储层孔隙结构和岩相的考虑导致预测物性参数结果存在偏差,而后者由于模型复杂,训练过程中需要大量样本,而样本获取代价高昂难以满足,因此模型存在过拟合等小样本导致的潜在问题。为解决以上问题,本文基于相控方法和主动学习算法框架,构建了小样本条件下的储层物性参数预测模型,主要的研究内容如下:（1）引入了孔隙结构参数并提出了相控回归方法。传统岩石物理模型对储层物性参数进行预测时往往只考虑了弹性参数对物性参数的作用,而忽略了孔隙结构和岩石的控制作用对物性参数的影响。基于这一点,本文引入了骨架柔度因子对储层的孔隙结构进行定量刻画,同时本文构建了一种相控物性参数预测方法。实验表明骨架柔度因子可以有效地提升储层物性参数预测精度,相控储层物性参数预测方法以岩相作为约束建立多个物性参数回归模型,充分考虑到了岩相在物性参数预测过程中的控制作用,因此降低了储层物性参数预测误差。（2）构建了小样本条件下的岩相分类模型。考虑到测井数据和地震数据的特殊性,我们对主动学习框架中的查询策略和基础分类模型的选择进行了详细的实验,结果表明在不同的岩相场景中查询策略的选择至关重要,优化后的查询策略在复杂的多分类场景下有更好的表现;基础分类模型选择则需要依据数据具体情况,模型越复杂则性能越好,但需要查询的次数越多。通过该主动学习框架,训练岩相分类模型所需的样本数量大大减少,有效地解决的小样本问题。（3）构建了小样本条件下的储层物性参数回归方法。在现有的主动学习回归查询策略的基础上,从样本的信息性和代表性两个角度结合相控回归方法的特性进行改进。通过少量的训练样本,构建了一个高精度的相控回归模型。实验表明,小样本条件下储层物性参数预测结果存在较大误差,并且预测结果幅值不稳定,引入主动学习回归模型后仅需要少量学习即可大幅提升相控物性参数预测模型的精度。