信息量的与日俱增,使得对算法在分类方面的精度要求与日提升。机器学习是一门结合多个领域多个方面的交叉性融合学科,作为数据分析领域的前沿方法,在分类、信息提取等方面有着广泛的应用,从而达到获取技能、知识的目的并具有分类判断的能力。这些算法都需要度量样本之间的相似性,如何准确地度量样本之间的相似性,达到更好的分类效果是值得学习探究的方向。作为不可再生资源,矿产资源的勘查难度逐年递增。地球化学异常识别是找矿标靶的一项重要工作。这个任务可以看作是一个二元分类问题,其目的是区分异常背景。传统的地球化学异常识别方法越来越局限,更全面的方法技术成为新的研究方向。度量学习(Metric Learning,ML)使得从标记数据学习复杂分布数据的距离成为可能。本研究中,通过使用一个基于随机森林(Random Forest,RF)的分类器来支持距离函数,并将绝对位置和相对位置合并到表示中来完成。结合度量学习和随机森林,将随机森林作为度量学习的底层表示,建立更合适的距离来评价样本之间的相似性,使得分类更精确。本文利用有限训练样本中地球化学特征之间的统计信息,建立更合适的距离来评价样本之间的相似性。在此基础上,利用随机森林将地球化学异常从复杂的背景中分离出来。具体有以下几个方面工作:(1)针对单一的马氏距离不能很好地处理异构数据,用一个新的映射函数代替传统的马氏矩阵,避免了马氏距离中成对位置的限制。引入随机森林与度量学习方法相结合,构建了基于度量学习为底层框架、随机森林作为底层表示的“ML-RF”分类模型,探索样本之间的内在关系,分离异同。ML-RF方法采用随机森林作为度量学习的底层表示,避免了对先验样本敏感的缺陷。(2)收集数据集,将ITML(Information Theroy Metric Learning),LMNN(Large Margin Nearest Neighbor),Mahalanobis,以及本文提出的ML-RF模型应用到UCI数据中进行分类仿真实验,对比几种分类精度效果。(3)对研究区进行采样,收集数据,处理了39种元素的全部地球化学成分数据,利用因子分析对数据进行处理,评价与成矿过程有关的元素组合。(4)将ML-RF运用到研究区勘查地球化学数据中,识别地球化学异常,经训练与测试,对比RF的分类效果,通过ROC曲线、异常图对比表明分类效果明显提高,并绘制地球化学异常图与成矿远景区。