油水相对渗透率曲线是影响水驱开发油田效率的重要指标,前人经过多年研究,形成了以室内物理模型实验方法为主、油藏工程计算为辅的油水相对渗透率曲线计算方法。近年来,随着机器学习、大数据等技术的蓬勃发展,石油行业也逐渐开始使用该类技术。在油田开发过程中,积累了大量宝贵的数据资料,为机器学习提供了数据样本支持。本文采用机器学习技术,对实验室积累的相渗曲线资料进行深度挖掘,研究油水相对渗透率曲线表征及预测方法,实现了大数据技术在油田开发领域的具体应用。本文通过对油水相对渗透率曲线影响因素的分析,选取地质参数、微观孔隙结构参数、流体参数以及实验控制条件等指标作为油水相对渗透率曲线表征及预测的基础数据。首先,收集中高渗区块地质数据、常规岩心分析数据、流体数据等多源数据,利用油藏工程方法筛选影响相对渗透率曲线的关键指标,提取相对渗透率曲线的特征点以及将相渗曲线进行夹角链码表征,构建完全数字化的学习样本库,并对数据进行清洗、规范化等处理。其次,利用XGBoost（e Xtreme Gradient Boosting）建立特征点预测模型、油水相渗曲线夹角链码表征模型,并以均方误差为评价函数,利用均方差函数对模型性能进行评估。然后,对模型进行训练,并利用网格搜索方法开展模型参数的优化工作,确定了最佳参数组合。最后,以实际油田获取的数据为基础,展开特征参数阶梯预测,进一步完善模型实际应用条件,同时就模型预测结果进行反演,构建油水相对渗透率曲线。运用训练好的油水相渗曲线计算模型对预留样本进行预测,结果表明,残余油饱和度准确度达到95.5%,束缚水饱和度达到88.4%,最大水相相对渗透率达到86.1%,相渗曲线整体效果良好,综合准确度结果均达到80%以上,表明本模型具有较高的可行性和适用性。