球矿产资源需求的持续增长和矿产勘探难度的增加,给传统的矿产预测方法处理复杂的地质信息和大量数据造成了瓶颈。本文旨在探讨2016年至2025年机器学习技术在大规模矿产预测领域的最新研究进展。通过系统检索Web of Science核心数据库,我们筛选并分析了255项高质量的科学研究。这些研究涵盖了矿产信息提取、目标区选择、矿产规律建模和资源潜力评估等关键领域。应用的机器学习技术包括随机森林、支持向量机、卷积神经网络、递归神经网络等,已广泛应用于斑岩铜、砂岩铀和锡等各种矿床的勘探和预测。研究结果表明,该学科在利用深度学习方法和整合多源地质数据方面发生了重大转变。尖端技术的部署显著增加,包括自动特征提取、迁移学习和少镜头学习。本文试图综合机器学习在大规模矿产预测领域的现状和未来发展轨迹。它试图描绘该领域的进展,突出关键的研究困境,并找出创新突破。