近年来,随着人工智能技术的发展,基于机器学习的成矿预测已成为提高矿产勘查效率的重要手段。但由于成矿的稀有性,可供开展机器学习建模的样本有限,制约了成矿预测精度和模型泛化能力。本研究以青海全吉地块沉积变质型铁矿为研究对象,首先通过系统梳理区域地质背景,构建了相应的找矿预测模型。基于找矿模型,整合地质、地球物理与遥感数据,形成多元预测数据集;采用像素对特征(Pixel-Pair Feature, PPF)方法进行训练样本的制作与扩充,并利用卷积神经网络对增强后的数据集开展模型训练;最后,结合双窗口检测技术,对全吉地块的成矿潜力进行评估及靶区圈定。研究结果表明,基于像素对特征的数据增强方法在提升模型精度的同时有效缓解了样本稀缺问题,所圈定的靶区具有良好的沉积变质型铁矿成矿潜力,为全吉地块下一步找矿工作提供了明确方向。