地层原油的高压物性参数(PVT参数),如原油的泡点压力、地层体积系数、溶解气油比、油藏温度、原油比重和天然气比重等,在油气藏的储量计算以及确定油藏的特性等工作中起到了关键作用。为了确定原油的高压物性参数,一般情况下,通过使用岩心或者地表收集的样本数据计算那些难以获得的原油物性参数。然而,为了得到这些样本数据,需要花费大量资金,成本较高。因此,研究人员推导出用于计算地层原油高压物性参数的经验公式,利用这些公式确定物性参数。目前,在油气工业领域,已经出现了大量这样的经验关系式。但是,由于经验公式的使用范围限制在特定的地层条件下,因此,这些经验公式不能通用于不同地层条件下油藏的原油高压物性参数计算。人工神经网络(Artificial Neural Networks, ANN)通过自调整参数学习数据的模式,训练后的神经网络可以准确的与真实数据相匹配。并且它可以快速、准确的预测未知样本数据。可以说,人工神经网络最重要的一个特点是它能够挖掘出通过一般观测以及某些标准的统计方法无法发现的数据内部规律和模式。特别是在处理非线性问题时,该特点尤为明显。许多研究人员认识到,通过使用人工神经网络,可以在石油工程领域建立较准确的预测地层原油高压物性参数的模型。但是,神经网络自身存在模型结构复杂、参数选择困难、易出现过拟合且精确度较低等问题。而支持向量机(Support Vector Machine, SVM)能够较好地解决神经网络出现的问题,并且它是一种较有效的机器学习以及数据挖掘算法,在分类问题和回归问题中得到广泛应用,具有模型结构选择简单,处理速度快,学习精度高的优点。基于支持向量机的这些优点,因此,本文将支持向量机算法引入到我国油田的地层原油高压物性参数的预测中,分析了支持向量机的理论基础——统计学习理论、支持向量机算法以及用于回归估计的支持向量算法原理——支持向量回归(Support Vector Regression, SVR),并且研究了核函数,以及支持向量机模型参数与核函数对支持向量机性能的影响和作用。同时,通过将SVR算法与BP神经网络算法(Back Propagation, BP)的预测结果进行对比分析,验证SVR在预测我国油田原油高压物性参数中的可行性和有效性。实验结果表明,支持向量回归模型具有较好的预测效果以及实际应用价值。所设计的模型以较小的误差比较准确地确定了原油泡点压力下的体积系数。