支持向量机是数据挖掘中的一项新技术,是借助于最优化方法解决机器学习问题的新工具。它具有神经网络不可比拟的优点,为解决非线性问题提供了一个新思路。本文仔细研究了支持向量机理论及其理论基础——统计学习理论,针对目前支持向量机的应用状况,将其应用于油田非线性系统建模,并提出了一种基于支持向量机建模的自适应滤波器。本文主要工作包括:(1)论述了支持向量机的理论基础:VC维理论和结构风险最小化原则。(2)介绍了常见的几种支持向量机,并研究了它们的技术实现问题。讨论了目前求解支持向量机中的优化问题的方法。而在求解大型问题时采用的序列最小最优化算法,是目前大多数支持向量机软件中采用的算法。(4)研究了一种基于支持向量分类机的录井数据分析方法。首先建立了油气水层识别模型,在此基础上对某油区油气水层分布规律进行了预测,识别结果与实际试油结论完全一致。实现了在实时录井过程中和完井后对录井资料进行实时解释,大大提高了现场油气识别率。(5)研究了一种基于支持向量分类机的抽油机的故障诊断方法。该方法不仅能准确识别抽油机在生产过程中的工作状态,而且与其他的故障诊断方法相比具有运算速度快,推广能力强等优点。(6)研究了一种基于支持向量回归机的油田产量预测方法。在小样本的情况下能够保持较稳定的准确率,与已有的预测方法相比,具有模型简单、泛化能力强等特点。(7)研究了一种基于支持向量回归机的试井压力恢复曲线的建模方法。实现了试井压力恢复曲线的自动、快速、最佳拟合,为试井综合解释和缩短试井时间提供了一条切实可行的新途径,具有较大的经济价值和实用性。(8)研究了一种基于支持向量回归机建模的自适应滤波器。仿真实验表明,时变噪声的污染可以被完全消除,效果非常明显。上述研究工作可作为支持向量机理论在油田系统实际应用的引玉之砖,具有一定理论和应用价值。