深度学习模型因其在数据特征提取方面的强大能力而在成矿预测领域得到了广泛应用。然而,基于监督学习的深度学习方法常常面临着训练样本不足和正负样本不均衡的问题,尤其是成矿事件的稀有性易导致模型的稳健性与泛化能力不足。为了解决这一问题,本文使用了3种不同的数据增强方法:一是使用滑动窗口的数据增强方法,以“已知正负样本”为中心,采用多次滑动的方式完成增强;二是使用生成式模型,如生成对抗网络(generative adversarial networks, GAN);三是带梯度惩罚的Wasserstein生成对抗网络(Wasserstein generative adversarial network with gradient penalty, WGAN-GP),利用真实样本训练网络,基于训练完备的生成器实现增强。3种不同的数据增强方法能够在样本量扩充的同时,尽可能地保留地质意义。为了验证数据增强的有效性,本文使用真实样本与生成样本之间的FID(Frechet inception distance)值和卷积神经网络(convolutional neural network, CNN)进行评估。结果表明,基于WGAN-GP增强后的数据集在CNN模型具有更强的泛化能力,绘制的甘南地区金矿成矿远景图为未来的矿产资源勘查工作提供了重要的启示。