在成矿预测领域,地质资料种类丰富,数据量大,机器学习算法的优势得以体现,机器学习算法成矿预测逐渐辅助甚至替代了传统的找矿方式。但由于数据问题或各算法自身的局限性,单一算法在实际应用时各有利弊。如何弥补数据或算法的缺陷,更好地发挥机器学习的优势,值得研究与探索。因此,本文对机器学习中的经典算法支持向量机(SVM)在成矿预测领域的应用模型进行了改进,利用新疆东天山研究区的地球化学数据、构造数据、地层及岩体数据,通过构建梯度提升决策树(GBDT)与支持向量机(SVM)的融合模型,对新疆东天山地区进行了成矿预测。论文主要研究内容及成果如下:(1)研究区控矿要素的梳理及数据处理。系统的收集了研究区资料,了解研究区成矿模式;从多元数据类型中初步确定控矿要素,并利用GIS技术进行控矿要素的数据处理,构建机器学习模型训练数据集。(2)特征组合的构建。成矿预测领域特征的选取及处理大多基于专家经验,有较大的不确定性。因此本文在传统特征选取的基础上提出了GBDT-SVM模型,首先使用梯度提升决策树(GBDT)算法构建特征组合,再将特征组合作为新的特征,用于支持向量机(SVM)分类模型的构建,弥补了支持向量机(SVM)算法在特征选取方面的不足。(3)粒子群寻优算法的改进。支持向量机(SVM)算法中的一个核心问题就是参数的选取,本文采用了粒子群(PSO)算法进行参数组合寻优,针对粒子群算法在寻优后期容易陷入局部最小的问题进行了改进,提高了模型的分类精度。(4)利用本文提出的GBDT-SVM模型与随机森林(RF)模型、支持向量机(SVM)模型和梯度提升决策树(GBDT)模型分别对新疆东天山研究区进行了成矿预测,并对结果进行了对比与分析。通过预测结果的直观对比与基于模型精确度(ACC)和ROC曲线下面积(AUC)指标的对比得出,相比于单一的预测模型,GBDT-SVM融合模型对矿点、非矿点都具有良好的区分能力,整体分类精度最高,预测效果最好。