甘肃省合作-美武地区位于西秦岭造山带西段,区域矿产资源丰富,拥有早子沟,加甘滩等众多矿床,是我国重要的矿产资源基地。大数据时代,地质大数据及相应的大数据处理方法是当前研究的热点。论文在系统收集整理该研究区多源地学数据基础上,开展基于机器学习的金矿成矿异常提取及预测研究,重点探讨了可解释性机器学习方法及深度学习在成矿预测中的优势,最后创新性提出基于卷积核的卷积自编码及深度卷积神经网络的联合应用。研究工作对于深度学习在综合信息成矿预测,异常信息提取方面具有推进作用,同时对该区域矿产勘查具有实际应用价值。主要研究内容及结论如下:(1)将具有可解释性的随机森林及最大熵模型机器学习方法用于综合信息成矿预测研究,充分考虑了数据驱动成矿预测中小样本训练及非矿点选择问题,指出可解释性机器学习在定性及定量分析成矿预测要素中的重要作用。相关可解释性机器学习算法的研究对提高综合信息成矿预测可信度,降低不确定性具有重要意义。(2)将深度自编码学习方法与传统统计分析方法用于具有“闭合”效应的地球化学数据进行异常值提取研究。由于‘闭合’效应的存在,传统基于欧式距离的方法不能正确的处理地球化学数据。成分数据异常值检测通过对数比变换将单形空间的化探数据转为欧式空间进行处理,以成分数据异常值检测结果为标准,将深度自编码与基于密度的分类方法进行对比分析,结果表明深度自编码能够很好的处理这种单形空间数据,说明了深度学习在处理地学信息方面具有优势。(3)将基于卷积的深度学习方法引入综合信息成矿预测研究,提出了基于非监督学习构建深度学习训练集的方法。研究了已知矿床/点数据空间特征与异常值点数据空间特征的相关性,表明非监督学习方法构建深度学习训练集的可行性。