航空高光谱遥感在地质勘查领域应用广泛。鉴于地质调查领域对岩性地质填图的各种需求,遥感岩性识别逐渐发展为遥感地质领域一个重要的研究方向。但遥感岩性识别仍存在信息处理表现不佳、对工作人员的先验知识要求高、数据量大存储处理难等诸多问题,因而急需寻求适用于航空高光谱遥感数据的岩性识别处理分析方法。近些年,机器学习方法,尤其是以神经网络深度学习为代表的数据处理方法,在分类、识别等领域表现效果优秀。在核地质系统对新技术方法研究的大力支持的情况下,本次研究将遥感岩性识别问题与机器学习中的神经网络方法相结合,以甘肃龙首山地区为研究区,开展了基于机器学习的航空高光谱遥感岩性识别研究。基于机器学习的航空高光谱遥感岩性识别,主要进行了以下三个方面研究:（1）基于机器学习的航空高光谱遥感岩性识别流程设计。设计了适用于遥感地质领域的航空高光谱遥感岩性识别流程方法;（2）基于自编码神经网络的航空高光谱遥感数据降维特征提取。使用自编码神经网络方法,对多波段维度的航空高光谱遥感数据进行降维与特征提取,并进行实验验证;（3）基于深度神经网络方法的航空高光谱遥感岩性识别。将深度神经网络方法应用在岩性分类问题上,进行基于深度神经网络方法的地表岩性识别,并进行实验验证。实验结果表明:（1）基于机器学习的航空高光谱遥感岩性识别流程能够满足遥感岩性识别研究的需求,根据流程能够较好的进行遥感岩性识别,足以为后续研究提供参考;（2）在测试数据上,计算得出基于自编码网络的误差为0.0000334,方法效果较好,具有可行性;（3）在测试数据上的,计算得出识别结果精度为87.1%;在实际分类实验中,将分类结果与地质图进行对比,发现从分类结果图与实际地质图有一定相似性,从整体上看,Q、Pt₂d³、∈₁三种地层岩性识别上效果较好,Pt₁^t、N₁、O₃^3-2γβ类别上效果较差。总体来说,该方法具有一定可行性。