深度学习算法在矿产预测中的应用是找矿勘查领域的研究热点。相对于传统机器学习算法,深度学习算法的深度结构在理论上能从复杂的成矿过程中提取更为抽象的特征,有效提取和集成多元、异构的深层次找矿信息。但是,作为一种典型的深度学习算法,循环神经网络(recurrent neural network, RNN)的隐含层具循环结构,隐含层的信息能够随序列数据的输入而循环流动至输出层,达到信息传递、筛选和集成的目的。RNN由于具有学习变量之间的依赖关系的能力,因此具有整合高度相关的证据图层以支持成矿预测的潜力。本次研究以菲律宾碧瑶地区为例来建立基于门限循环单元(gated recurrent unit, GRU)的循环神经网络模型进行成矿预测的流程。首先,使用基于地质特征的数据增强算法为GRU生成足够数量的训练样本,同时利用非线性控制函数建立已知矿床和地质控矿要素之间的相关关系,并对证据图层的每个像素赋值;其次,探讨了证据图层的不同排序对模型预测能力的影响;最后基于交叉验证对模型进行超参数调整,采用七个指标(精度、准确度、召回率、F-measure、Matthews相关系数、kappa和AUC)全面评估模型表现,并使用最优模型对研究区进行成矿预测。研究结果表明模型预测的高潜力成矿区和已知的金矿点具较强的空间关系,能有效指导研究区的找矿勘查工作。