地球化学勘查是利用地球化学数据和地球化学原理来研究某一地区地表或者地下情况的,但地球化学数据的收集非常的耗费人力与物力,尤其是在一些自然环境恶劣的情况下采集样品,其后还需对采集的样品进行分析,过程也非常的繁琐。遥感地球化学结合了地球化学方法与遥感技术的长处,既有遥感获取数据时间空间上的优点,又结合了化学元素分布规律;因此本文构建了一种遥感地球化学反演模型。由于遥感数据存在数据量大且冗余数据过多,呈现相关性强且非线性的特征,所以需要对遥感数据进行特征提取,这里选择使用核主成分分析的方法。主成分分析使数据降维同时又不丢失主要信息,而核主成分分析通过核函数映射到更高维的空间能更好地处理非线性数据。同时,由于地球化学异常分布的不连续性以及遥感数据波段间的非线性特征,在机器学习方法的选择上选择蜂群优化的支持向量回归机。支持向量机使用内积核函数向高维空间映射,具有较好的泛化能力和鲁棒性,但参数的选择会对其性能造成较大影响,人工蜂群（Artificial Bee Colony,ABC）算法,由Karaboga等人在2005年受蜜蜂觅食行为启发提出,通过对蜂群采蜜活动的模拟,解决高维问题、多目标优化问题,快速得到局部最优解,该算法效率高,求解效果好;将它与支持向量回归模型相结合来优化模型参数,优化其性能。由此,本论文采用核主成分分析,与蜂群优化的支持向量机相结合的方式建立地球化学反演模型。本论文选择甘肃寨上-马坞地区作为研究区,选择1:50000水系沉积物地球化学数据,遥感数据选择多光谱的Landsat 8 OLI数据进行实验。用蜂群优化的支持向量回归机建立地球化学数据与遥感数据之间的关系,并与贝叶斯岭回归模型、普通线性回归模型、弹性网络回归模型、支持向量机回归模型进行对比,发现经过参数优化的支持向量机回归模型总体得分最高。为了验证模型有效性,把根据模型输出结果圈定的异常区与由原始数据圈定的异常区进行对比分析。分析结果表明单纯由地化数据圈定对元素相对富集地区反应较好,而对低异常的矿（化）点指示效果一般,而由反演数据所圈定的异常对此有更好地呈现,有更好的指示效果。同时,通过分析其对应的异常区域分布与强度,发现由反演数据所圈定的异常区基本包含由原始数据所圈定的异常区,并且矿点所处异常明显增强,说明人工蜂群优化的支持向量机模型能够很好地建立地球化学数据与遥感数据间的联系,能对原始数据进行有效补充,也可为下一步的找矿工作提供方向。