卷积神经网络(CNN)是成矿远景区预测研究中广泛使用的方法,如何提升CNN模型的泛化能力和鲁棒性仍是当前研究的热点。巴基斯坦西南部的Chagai成矿带西部发育世界级斑岩铜矿床Reko Diq和大型斑岩铜矿Saindak,是开展斑岩型铜矿床成矿远景区研究的有利区。本研究以高光谱遥感数据和5个已知矿床为基础,联合多源地质数据构建训练样本,结合假彩色图像合成技术,扩充训练样本。提出空间-光谱卷积神经网络(SSCNN)算法,构建成矿预测模型,对Chagai带西部斑岩型铜矿的成矿远景区进行预测。结果表明,基于Chagai成矿带5个已知矿床和数据扩充方法构建的2477个正样本和11304个负样本,使用4个SSCNN模型的验证集F1-score均超过0.94,最高可达0.98。已知的研究区内37个矿床/矿点均位于预测的成矿远景区内。前人划定的22个找矿靶区内均包含不同概率级别的成矿远景区,空间匹配率达100%。本研究提出的技术方法有助于抑制模型过拟合并提升泛化能力,为成矿远景区预测研究提供了新思路,可拓展应用于其他类型矿床的成矿远景预测工作。