稀土元素(REEs)因其独特的物理化学性质, 在新能源、高端制造等战略性产业中具有重要地位。风化壳型稀土矿床是全球最主要的重稀土来源, 其母岩中稀土副矿物的组成特征直接决定了风化过程中稀土元素的活化与富集行为。当前主流的矿物定量方法(如全自动矿物分析系统TIMA)依赖二维图像识别, 在定量分析细粒、低丰度且分布不均的稀土副矿物(如独居石、锆石)时易出现较大误差。本文以云南勐海临沧花岗岩为研究对象, 结合TIMA矿物分布分析、全岩ICP-MS稀土元素含量测试及单矿物LA-ICP-MS稀土元素含量测试, 提出了一种结合稀土元素配分特征与单层无偏置神经网络结构的矿物含量反演方法。该方法通过构建加权均方误差损失函数及地质约束正则项, 结合梯度下降优化算法, 实现了对稀土副矿物的稳定拟合计算。本方法的误差主要源于单矿物稀土元素含量的多变性, 在多次重复拟合中稀土副矿物(磷灰石、独居石等)的计算结果能保持稳定一致性(标准差<0.0086%); 模型反演的全岩稀土配分与ICP-MS实测数据的均方误差(6.68)显著优于TIMA重构结果(79.62~119.64)。该方法弥补了岩相分析过程中依赖二维图像分析导致稀土副矿物定量误差较大的短板, 基于全岩稀土配分特征反演低含量稀土副矿物含量, 显著提升了定量精度。未来可通过加强副矿物化学成分的分析代表性, 以及引入Zr、P等特征性元素进一步优化模型稳定性。本研究为量化解析风化壳型稀土矿床的成矿物质来源及评价不同母岩的成矿潜力提供了一种可靠、高效的方法。