目前国内外学者在利用测井数据进行岩性识别方面的研究成果丰硕。如交会图法可以根据与取芯井岩芯资料对比校正后的图版，较为准确地识别多种岩性在交会点的坐标，从而看出各种岩性的分界和所分布的区域，实现岩性识别。但交会图法不能进行全井段的岩性识别，且耗时较长、人为因素大。同时地下情况复杂和非均质性较强，测井数据之间经常呈现极强的非线性关系，数据间的映射关系也极为复杂，应用传统方法的效果较差。神经网络模型可以进行测井资料的岩性识别，经过训练和测试，验证了神经网络模型在岩性识别中是行之有效的，但神经网络中存在的过拟合、局部极小化问题、收敛速度慢等缺点。支持向量机算法在岩性识别中具有可行性和有效性，并且运用支持向量机模型在岩性识别中取得了较好的效果。但支持向量机是一种有坚实理论基础的小样本学习方法，若面对成千上万甚至更多的测井数据点，其优势不能得到很好的发挥。所以提出了在进行岩性剖面预测的过程中根据决策树和随机森林的优缺点，灵活运用以得到精度最高、泛化能力最强的模型。
