西藏拉萨地区得益于青藏高原的优势地质背景,已勘查发现了跃进、达布、拉抗俄等一系列大、中型斑岩-矽卡岩型铜矿床,目前铜矿找矿前景仍然十分乐观。近年来,机器学习方法在化探异常的识别和提取的应用方面取得了一定的进展。地球化学数据具有非线性特征,传统方法难以有效的刻画出复杂的地球化学空间分布模式。地球化学数据是一种成分数据,具有封闭效应,其样本空间属于单形空间,而基于距离的数学算法往往是在欧式空间进行的。因此在数据处理之前采用了等距对数比变换(ilr)将地球化学数据从单形空间转换到欧式空间。主成分分析(PCA)和K-均值聚类(K-means)等降维方法可以提取与铜矿成矿有关的关键特征。通过应用孤立森林(IF)和异常局部因子(LOF)算法进行该地区的地球化学异常提取,借助受试者工作特征曲线(ROC)以研究区18个已知铜矿点作为目标变量对模型的准确性进行评估,结果表明,(1)孤立森林是一种有效的非监督异常值检测算法;(2)降维后的数据能提高异常检测的性能;(3)基于无监督机器学习方法的异常值检测不仅能有效的识别地球化学高值异常,也能识别出与背景场密切关联的低弱异常。地球化学数据作为一种直接的找矿标志,本文基于无监督学习的异常检测结果可以有效的指导下一步找矿勘查工作。