为了解决传统的有机碳含量TOC测量方法成本高和无法获得TOC含量连续分布的问题，提出了一种TOC含量的统计预测方法。由于地层的岩性的不同，TOC含量的差异非常大，因此，首先对原始的测井数据聚类，通过聚类的方法将不同岩性的地层区分开，对不同的地层分别建立TOC含量的预测模型，再通过聚类的方法提高了各测井参数和TOC含量的相关性，这不仅提高了模型的准确性，而且使得模型更有说服力；然后通过粒子群算法优化SVM模型参数，避免了因人工选择参数带来的模型不稳定的问题，依此建立测井参数优选的SVM-RFE模型，对每一类分别进行测井参数筛选，有效的规避了各测井参数之间的信息冗余和不相关参数带来的模型性能降低和训练时间增加的问题；最后利用优选后的测井数据和SOM的分类结果，对不同的地层岩性分别建立SVR模型进行预测。结果表明：通过与其它TOC含量预测模型对比，SOM-SVR模型更加稳定，更有说服力，预测误差小，平均相对误差约6%，平均绝对误差不超过0.2。由此，可以通过SOM算法对不同岩性的地层进行聚类之后再建立TOC含量的预测模型，更有利于提高模型的精度。
