储层参数是反映储集层油气储量的重要参数，储层参数的准确预测对评价地层有着十分重要的意义。而测井资料是最接近地层的数据，通过测井资料能够更好的预测储层参数，所以利用测井资料对储层参数进行预测是目前最经济有效的方法。但是当前的储层参数预测模型已经不能满足目前探井的需求，迫切需要预测精度更高的模型。 本文通过研究，系统分析了当前储层参数预测模型的局限性，在继承前人研究成果的基础上，将粗糙集和最小二乘支持向量回归有机地结合起来，提出了基于粗糙集和最小二乘支持向量回归的预测模型，应用于储层参数预测，并在matlab平台中实现该模型。 经过实验分析，粗糙集约减后的回归结果和运行时间都要优于约减前；从而反映出经过粗糙集约减可以删除测井属性中的冗余信息，剔除了影响储层参数预测的噪声；回归的输入数据得到了精简，使得回归运行时间得到缩减。无论是非线性方法中的神经网络还是最小二乘支持向量回归，其结果均优于线性回归的结果，从而进一步验证了储层参数与测井属性之间的关系并非简单的线性关系。对神经网络和最小二乘支持向量回归的结果进行比较，可以看出，最小二乘支持向量回归的结果基本上是优于神经网络的结果，虽然存在部分较好的神经网络回归结果，但是它是以大量的运行时间为代价的；而最小二乘支持向量回归基于自身的理论优势，可以在较短的时间内找出全局最优值，成功克服了神经网络的缺点，因而将最小二乘支持向量回归用于储层参数预测是可行的。 实验结果表明将粗糙集应用于测井属性约减，减少了输入该模型的冗余信息，减少了回归模型的运行时间；针对输入样本多，使得支持向量机的二次规划变得复杂，本文采用最小二乘支持向量回归解决了该问题。实验证明该模型与传统的储层预测模型相比较具有较高的预测精度，值得加以深入研究和推广。