矿产资源是经济社会发展的重要物质基础,开发利用矿产资源是现代化建设的必然要求。但是,随着找矿工作日益推进,交通较便利的中东部浅层矿产渐渐无法满足需求,传统的地质找矿方式已很难有所突破。同时,新型能源诸如风能、太阳能等的开发技术处于起步阶段,转化率函待提高。所以,综合利用地质信息与地球物理、地球化学以及遥感数据,采用计算机数据挖掘方法实现数学统计预测模型,结合研究区实际地质地貌,有效地评价区域矿产资源潜力,建立综合信息矿产资源预测模型并圈定高概率靶区,是目前矿产资源潜力评价的主要研究方向。该论文立足地矿行业部门寻找新的成矿靶区需求,研究了矿产资源潜力评价的三种方法,尤其在植被覆盖度较高的区域寻找与成矿有关特征方面进行了较深入探索。最后以我国四川省长柏乡的热液型铜矿潜力评价为例进行详细的实验验证。主要研究内容和成果有:(1)针对大部分情况下所探测区域具有较高的植被覆盖度的情况,利用ASTER数据,结合一系列算法提取出植被信息,包括使用最小噪声分离(MNF)技术得到较为纯净的波段、最大角凸锥模型(SMACC)获得各个像元内不同端元的丰度、波谱特征拟合(SFF)和波谱角分类(SAM)技术来识别植被端元,最后用线性分解补偿置换法得到在一定程度上减弱植被影响的遥感数据。结合目标矿物特定波谱曲线中的反射峰和吸收谷,采用波段比值法提取遥感蚀变异常。(2)根据已有资料建立矿床模型,结合决策树理论确定与成矿有关的地质、地球化学、遥感等属性,并使用地理信息系统(GIS)对所有属性做度量一致性处理。(3)建立基于证据理论模型和Logistic regression模型的矿产资源潜力评价方法。前者通过基本概率分配函数,定义信任函数、似真函数、不支持函数和不确定函数四个函数度量评价指标;后者通过极大似然估计法得到是否为有利矿点的概率,运用牛顿迭代找到最佳解。(4)建立基于受限玻尔兹曼机模型的矿产资源潜力评价方法。应用受限玻尔兹曼机算法解决了在矿产资源潜力评价方面实际情况中常常遇到的综合成矿信息匮乏、缺少已知样本点的问题。它利用深度学习的思想建立目标函数,对所有目标进行对比散度训练(CD算法),使之不需要先验知识自动获得高潜力预测评价区。(5)使用统计方法、ROC(Receiver Operating Characteristic)曲线和AUC(Area Under the Curve)评价模型的精度。通过评价方法在横向和纵向上的对比结果,证明减弱植被影响后的数据较原始数据得到的遥感蚀变异常更加精准;基于深度学习的受限玻尔兹曼机模型较传统统计模型更加有效。