随着经济发展和生产技术进步,石油天然气及衍生品在人们生活中占比仍呈高增长态势,随着勘探技术的发展与进步,地震信号的处理模式、准确性等方面的技术有了质的飞跃,对根据地层信息预测并指导地下油气的勘探工作发了的重要作用。AVO是一种常用的地震勘探技术,在地下油气勘探领域中,AVO技术得到了广泛应用。该技术是利用反射波振幅随偏移距的变化关系特征来判断地下岩性信息以及油气分布情况,实际勘探效果达到了令人满意的程度。Zoeppritz方程是AVO技术的基础,该方程描述的是平面入射波射到声阻抗分界面后能量反射的分布情况。因Zoeppritz方程其解析表达式非常繁琐复杂,直接使用该方程进行岩性特征与参数信息的分析,通常情况下是非常困难的。为了简化算法,学者门通过一定的制约条件简化出Zoeppritz方程的近似式。由于近似式是针对不同约束条件下的表达,因此每个Zoeppritz方程的近似式都存在不同程度的缺陷。支持向量机源于统计学习理论,属机器学习范畴之一。其是通过对预先给定的样本进行训练学习,实现对样本内在规律的预测。利用支持向量机对实际有限样本进行的训练学习,可得到较为满意的预期效果。由于支持向量机学习预测方法有诸多的优良特性,在地球物理勘探领域中的应用程度逐年提高。其核心思想是找到一个推广性好的分类超平面,在高维特征空间中予以分析与处理。本文把基于统计学理论的支持向量机方法应用到AVO反演中,利用Zoeppritz方程完全式建立反射振幅与弹性参数的非线性关系,可以有效避免常规AVO反演过程中使用Zoeppritz方程近似式带来的误差。通过支持向量机方法进行训练弹性阻抗与弹性参数的非线性关系,并通过该非线性关系反演反射波的弹性参数。在本文,先后概述了支持向量机的基础理论,包括机器学习问题和统计学习理论；其次论述了线性支持向量回归机和非现场支持向量回归机、回归机的常用训练算法,以及核函数的选择及构造方法,详细介绍了支持向量机在回归中的工作原理。同时针对本文主要讨论的回归问题进行了较为详细地说明最后根据实际问题,将支持向量回归运用在实际资料中,对比了支持向量回归的基础模型以及其改进模型在反演中的效果,并在此基础上和实际的测井曲线相对比,结果表明该方法稳定,且在小样本上速度快且精度高,较好的解决了小样本非线性AVO反演的问题。