由于低孔低渗储层孔隙结构较为复杂，现有核磁共振（NMR）测井渗透率模型对于低孔低渗储层预测精度不高。为此，提出一种融合深度置信网络（DBN）算法与核极限学习机（KELM）算法的渗透率预测方法。该方法首先对DBN模型进行预训练，然后将KELM模型作为预测器放置在训练好DBN模型后，利用训练数据进行有监督的训练，最终形成深度置信-核极限学习机（DBKELMN）模型。考虑到该模型需充分利用反映孔隙结构的横向弛豫时间谱信息，将离散化后的核磁共振测井横向弛豫时间谱作为输入，渗透率作为输出，确定NMR测井横向弛豫时间谱与渗透率的函数关系，并基于该函数关系对储层渗透率进行预测。实例应用表明，融合DBN算法与KELM算法的渗透率预测方法是有效的，预测样本的平均绝对误差（MAE）较斯伦贝谢道尔研究中心（SDR）模型降低了0.34。融合DBN算法与KELM算法的渗透率预测方法可提高低孔渗储层渗透率预测精度，可应用于油气田勘探开发。