白云鄂博矿区因岩浆、沉积、变质、接触交代及热液交代等多种地质作用和多期次的地质构造活动影响,具有矿物种类多、颗粒小、肉眼难以识别等特点,限制了岩矿石识别的高效推进。本文选择白云鄂博矿区11大类典型岩矿石,综合正交偏光显微镜下鉴定,分别应用6类光谱预处理方法,结合4类光谱降维分析,采用支持向量机(SVM)算法建立岩矿石热红外光谱曲线智能分类模型,进而探讨光谱预处理、光谱降维、支持向量机算法在提高热红外高光谱岩矿石智能分类精度的应用潜力。研究表明:与原始数据和其他预处理方法相比,采用最大最小值归一化(MMS)、SG(Savitzky-Golay)滤波、均值中心化(CT)的预处理方法结合偏最小二乘法(PLS)建模精度效果更好,其训练集和测试集精度达87.1438%以上;原始数据、三类效果最好的预处理结合SVM算法条件下,不同的降维方法获取的岩矿石智能分类效果对比显示,多维尺度变换(MDS)< t分布邻域嵌入(t_SNE)<核主成分(KPCA)<线性判别分析(LDA);其中,LDA降维方法的岩矿石智能分类训练集和测试集精度≥97.4026%。综合对比认为,经SG滤波预处理、LDA降维后,麻雀搜索算法(ISSA)优化的SVM算法的岩矿石智能分类模型效果最好,其训练集和测试集的精度分别为98.5417%和98.7013%,具有较高的分类精度和稳定性。该智能分类方法可以满足白云鄂博矿区露头(采坑/岩心)样品快速识别的要求,能够提高工作效率,降低岩矿石识别的成本,也为典型矿区的岩矿石快速分类提供一种新思路。