主成分分析(Principal Component Analysis,PCA)是一种常用的多元统计分析方法,其目的是将一系列具有一定相关性的数据转换为少量的相互独立的主成分,从而实现数据的有效降维及系统分析。主成分分析过程一般基于输入数据的相关系数或协方差进行。然而,其相关矩阵或协方差矩阵的构造形式不考虑空间数据之间的相互关联和结构特性,这与因长期演化所造成的地质体之间或多或少均具有一定成因联系的情形相悖。而且原始信息的分布大都集中在平均值的附近,这是基于多数值的统计特性形成的,对于成矿过程发生的地质异常现象,有价值的信息往往隐藏在少数值处而被忽略。因此,传统主成分分析法虽然在地学研究中应用广泛,常用于对多源地学数据进行系统的综合分析,但是从算法构成的角度看,缺乏地质要素之间相互关系的约束。此外,成矿事件作为小概率地质事件,其发生、发展、结束在时间和空间上具有异常性。相应地,其所产生的地质信息在数据结构上应远离主体或背景。考虑到算法本身和成矿事件本质特征,本论文将传统主成分分析(PCA)、空间加权主成分分析(SWPCA)以及高阶主成分分析(HOPCA)法应用到中国东天山矿区铁资源的远景区圈定与评价中,通过对比分析探讨三种方法在矿产资源预测应用中的可行性及优势。论文主要工作如下:(1)根据研究区的地质模型,选取区域地球化学数据,利用以上三种方法挖掘地质数据与各类地质现象的内在联系,实现矿化信息及控矿要素的定量化识别,从而为成矿预测和地质勘探提供直观的数据支持。(2)以矿床模型为指导,通过遥感数据和地质数据定义了两种不同的空间权重因子来构建空间加权主成分分析模型,从而增强传统主成分中未包含的地质要素间相互关系信息。(3)以地质异常理论为指导,将高阶主成分分析法应用于多元地学信息继承中,通过选取最优阶次来增强传统主成分中被忽略掉的,不在均值范围内的信息。对数据进行非线性的拉伸变换,能够识别和突出小部分或与成矿有关的地质异常信息,为本研究区开展地球化学异常信息识别提供思路。