随着油气勘探开发向深层与超深层油气藏不断推进，水平井在复杂储层条件下得到广泛应用。然而，受储层非均质性、井眼轨迹变化以及压裂改造等多重因素的耦合作用，井筒内气液两相流动呈现出显著的非稳态性和强非线性特征，流型结构复杂多变以及相界面演化剧烈，给流动状态的准确表征带来严峻挑战。作为刻画井筒多相流动行为的关键参数，流型与持水率的准确识别与预测对于产能动态评价、生产制度优化及井筒安全监测具有重要意义。传统基于经验流型图版和机理关联式的方法通常依赖人工划分的流型边界及简化的物理假设，难以适应水平井中多参数强耦合和工况快速变化的复杂流动环境，容易产生较大的误差。近年来，人工智能技术为复杂多相流问题提供了新的数据驱动建模途径，但单一机器学习模型在特征表达能力和泛化性能方面仍存在一定局限。针对上述问题，本文提出一种基于多信息融合的OOF Stacking集成学习框架用于水平井气液两相流型识别，并结合高斯过程回归（GPR）模型实现持水率的智能预测。在流型识别方面，以相表观速度、井斜角及管径等关键参数作为输入特征，构建极端随机树、随机森林和梯度提升树等多种基学习器，并通过折外预测（Out-of-Fold）机制生成高质量元特征，由元学习器实现多模型深度融合与误差抑制。在持水率预测中，本文利用CAT阵列测井仪器获得的实验数据，基于高斯过程回归（GPR）对实验室水平气液两相流数据进行建模，以有效刻画小样本条件下流动的非线性关系及预测不确定性。实验结果表明，所提出的OOF Stacking集成模型在测试集上的流型识别准确率达到96.78%，在间歇流等主要流型上的识别精度最高可达97.55%，显著优于各单一基学习模型。GPR持水率预测模型在训练集与验证集上的R²分别达到0.9941和0.9822，表现出优异的预测精度与稳定性。研究结果表明，基于多信息融合与概率回归建模的联合框架能够有效提升复杂水平井气液两相流动状态的智能表征能力，为多相流测井解释与生产优化提供了一种高可靠性的技术路径。

水平气液两相流,流型识别,持水率预测,OOF-Stacking,GPR