南澳弗罗姆湖盆地是澳大利亚重要的地浸砂岩型铀矿勘探与开发基地,贝弗利、四英里大型铀矿床是其典型代表。深度学习作为人工智能的前沿技术,对于实现“智慧找矿”和“大数据找矿”具有重要意义,可以为深部找矿及圈定成矿远景区提供有力的技术支持。本文利用研究区多元地学大数据开展了基于深度学习的弗罗姆湖盆地砂岩型铀成矿预测研究。所取得的成果包括以下几个方面:（1）建立了弗罗姆湖地区多元地学空间数据库。本文收集了弗罗姆湖地区的多元地学数据,包括沉积盖层厚度、变质结晶基底高程、重力、磁力、航放等数据,并在此基础上进行数据处理与分析,建立了弗罗姆湖地区的多元地学空间数据库,为基于深度学习的成矿预测的研究奠定了基础。（2）选取了预测特征要素。对收集到的19个多元地学数据进行无效值剔除、标准化和归一化处理,然后进行相关性分析和主成分分析,借助ROC分析法筛选预测变量主分量要素（包括反转主分量要素）,结果表明PC1、invPC2、PC3、PC4、PC9、PC13、PC14、invPC15和PC18这9个有效主分量要素对研究区内已知铀矿化单元具有较好的甄别性能和指示作用,可作为卷积神经网络预测模型的预测变量。（3）构建了用于卷积神经网络预测模型训练的窗口样本数据集。根据弗罗姆湖地区内典型铀矿床（贝弗利、四英里、蜜月）矿体平面投影范围及其2个单元距离的缓冲区形成网格化成矿单元,按照11*11的窗口大小截取相应的地学要素有效主分量3维数组,形成1001个铀矿化单元窗口正样本,将正样本进行转置、水平翻转和垂直翻转来扩充正样本的数目,并随机抽取同等数量的非矿窗口负样本,共同构建了8008个可用于卷积神经网络训练的窗口样本数据集。（4）引入集成思想,借助卷积神经网络算法,利用窗口样本数据集来训练研究区的预测模型,并计算弗罗姆湖地区各单元的铀成矿后验概率,结合研究区实际地质情况开展弗罗姆湖地区砂岩型铀矿的成矿潜力预测分析,圈定了贝弗利-四英里异常片区、蜜月异常片、穆拉瓦塔纳异常片区和比勒鲁异常片区。研究表明对不同卷积神经网络模型采用最大值和均值学习器组合策略,不但可以显示出共有的成矿后验概率区域,也能保留不同预测模型原有的独特性,提高了卷积神经网络预测的信息丰富性。