为解决固井质量评价问题，提出一种基于CNN-SVM和集成学习的固井质量评价方法.首先，针对DenseNet模型采取缩减网络层数、增加多尺度卷积层、嵌入卷积注意力模块等改进措施，以提高模型的训练速度和评价准确率；其次，利用InceptionV1模块和扩张卷积构建一个模型复杂度相对较小且评价准确率相对较高的Inception-DCNN模型；再次，优选3个经典的卷积神经网络模型(ResNet50,MobileNetV3-Small, GhostNet),利用卷积神经网络强大的特征提取能力及支持向量机的结构风险最小化能力，将上述模型分别与支持向量机组合成新的CNN-SVM模型，以提升模型的泛化能力；最后，采用Bagging方式将5个新的CNN-SVM模型集成为一个强学习器，从而提升评价结果的准确度，增强模型的抗干扰能力.实验结果表明，该方法对测试集中的3类评价样本的准确率为97.69%,与单个模型和其他方法相比提升了1～9个百分点，验证了采用基于CNN-SVM和集成学习的方法进行固井质量评价是切实可行的.