Se propone un nuevo método de aprendizaje semisupervisado para aprovechar mejor las muestras etiquetadas y no etiquetadas con el fin de mejorar el rendimiento de clasificación. Sin embargo, existe la limitación de que la regularización de Laplace en una máquina de aprendizaje extremo semisupervisada (SSELM) tiende a llevar a una capacidad de generalización pobre e ignora el papel de la información etiquetada. Para resolver los problemas anteriores, se propone una Máquina de Aprendizaje Extremo Semisupervisado Regularizado Conjuntamente (JRSSELM), que utiliza regularización de Hessian en lugar de regularización de Laplace y agrega regularización de información supervisada. Para resolver el problema de la velocidad de convergencia lenta y la facilidad de caer en un óptimo local del algoritmo de depredador marino (MPA), se propone un algoritmo de depredador marino de múltiples estrategias (MSMPA), que primero utiliza una estrategia de aprendizaje de oposición caótica para generar una población inicial de alta calidad, luego utiliza pesos de inercia adaptativos y un factor de control de paso adaptativo para mejorar la exploración, utilización y velocidad de convergencia, y luego utiliza una estrategia de aprendizaje dimensional de vecindario para mantener la diversidad de la población. Los parámetros en JRSSELM se optimizan luego utilizando MSMPA. El MSMPA-JRSSELM se aplica a la identificación de formaciones de petróleo en la perforación. Los resultados experimentales muestran que MSMPA muestra una clara superioridad y una fuerte competitividad en cuanto a precisión y velocidad de convergencia. Además, el rendimiento de clasificación de MSMPA-JRSSELM es mejor que otros métodos de clasificación, y la aplicación práctica es notable.