地球化学数据作为地球信息的重要来源,包含丰富的地质信息,是量化隐伏岩体的良好指标。传统地质填图一般通过有限的露头去圈定岩性,成本高,效率低,易出错,并且受制图者先前经验和专业知识等主观因素的影响,其解释存在一定的不确定性。地球化学数据能够从不同的维度进行岩性的识别,达到穿透浅覆盖层划分岩性的目的,为岩性填图和区域地质研究提供更多线索。深度学习方法中的分类模型或组合算法在岩性分类识别方面具有高效、智能化的优点。基于深度学习的岩性填图方法的提出,为岩性识别分类提供新的思路,可作为具有潜在优势的辅助手段来提高岩性填图技术的效率与能力。本文以西秦岭造山带东段的甘肃大桥金矿地区为例,基于水系沉积物地球化学数据和卷积神经网络（CNN）开展岩性填图工作。建立CNN模型去提取地球化学数据中的深层信息,经过训练后CNN模型准确率达到97%。研究结果表明,基于水系沉积物和深度学习建立的模型能充分挖掘有用信息,有效识别14个岩性单元,为岩性填图方法、地质单元定量预测识别提供了新的思路和方法。