高质量的密度和速度曲线是做好地震储层预测研究的基础，然而测井曲线易受井筒环境的影响而存在多解性，且油田普遍面临着随井数剧增工作量加大，如何在短时间内保质保量的完成曲线校正成了亟待解决的问题。近年来，随着机器学习及大数据分析技术兴起，机器学习方法在地球物理测井领域得以广泛应用。笔者提出了一种基于多元线性拟合和机器学习算法相结合的曲线环境校正方法，来解决不同程度的曲线异常问题，即利用多元线性拟合实现曲线失真程度较小的井曲线环境校正，并将其作为扩充样本，采用机器学习算法进行样本数据的训练和预测，实现曲线失真程度较大井的曲线环境校正。该方法可以根据井眼垮塌等造成的曲线失真的程度，发挥多元线性拟合的适用性及快速修正的优势，以此来扩充样本数据，并结合机器学习算法的优势，还原真实的地层响应。最后将该方法应用于塔中低凸起碎屑岩地层，对不同机器学习方法的预测结果进行对比，筛选出随机森林回归作为本区的机器学习模型，以自然伽马、电阻率和纵波时差为特征变量，密度为目标变量，对随机森林回归模型进行训练和评估，多井的拟合优度、均方误差和验证井的高吻合度表明模型可以有效收敛且模型精度较高。随机森林回归较多元线性拟合可进一步提高曲线预测的精度，确保高效且保质保量地完成大批量的曲线校正工作。校正后曲线间一致性响应更好，岩石物理规律更加合理，井震关系也有明显改善，这为后续岩石物理建模和高质量地震储层预测反演提供了可靠的理论依据。