地球化学数据一直是矿产勘查中非常关键的信息来源。随着时代的进步与发展,对地球化学数据的处理,从单一的应用传统方法变为与多种现代数学方法相结合。地球化学数据处理的目标是通过数学方法从大量观测数据和复杂条件下从原始地球化学数据中提取有用信息,揭示指示变量(主要是化学元素)与各种地质之间的内在联系和现象。以寻找勘探地球化学同时提供勘探矿产资源和解决地质问题的方法和技术。截至目前,从数据处理来看,数据分类问题都是其中的一个研究热点,算法不同数据特点表现自然也会存在差异。支持向量机的数据分类能力较为理想,但是最优参数值往往会不同,得到的分类结果也是会存在差异的。所以,本文在支持向量机算法的基础上,提出了蚁群支持向量机分类法,无论是分类精度还是收敛速度都有了较大的提升。本文先是对支持向量机的基本原理进行了介绍,接着介绍了基本蚁群算法的原理。先分析了蚁群算法、支持向量机的优劣,提出两种算法的结合策略。文章再通过对支持向量机和蚁群优化支持向量机两种分类算法作比较验证本文算法是否可行。又证明了蚁群和支持向量机结合在一起得到的新算法是具备可行性的,优势也较为明显,且算法复杂度得到了一定程度的降低。而后对本文算法展开了实证分析。本文分析了米拉山斑岩型铜多金属矿区水系沉积物地球化学元素含量数据空间分布特征间的联系。最后将蚁群优化支持向量机算法应用于西藏米拉山地区1:20万水系采样地球化学数据。先通过对有无矿点有标签的数据集进行验证,构建出成矿数据属性模型。再用蚁群优化支持向量机对其无标签的水系采样数据进行有无矿点矿分类预测。而蚁群支持向量机算法结合了两个算法的优点,在测试集取得了83.1%的准确率。实现了对有矿点地的标记。