吉林省浑江地区是吉林省重要的矿产资源基地,该地区铁矿产资源丰富,目前已发现铁矿点20余处。本文在基于吉林浑江地区区域地质概况及区域地球化学勘查等地质研究资料的基础上,将机器学习中的孤立森林、单类支持向量机和随机森林以及群体智能中的布谷鸟算法、蝙蝠算法、天牛须算法和蚁群算法模型相结合,构建5种地球化学异常识别综合方法,包括:基于微小扰动的最大-最小蚁群算法模型、反向布谷鸟优化孤立森林模型、自适应差分蝙蝠优化单类支持向量机模型、竞争天牛须优化随机森林模型和层次聚类-奇异性分析-自组织特征映射神经网络模型,以上5种模型的构建均运用于研究区1∶20万水系沉积物地球化学数据,对该区域内与铁矿化相关的地球化学异常信息进行识别及提取,应用结果显示:5种综合模型在研究区的地球化学异常信息识别方面均取得了良好的效果,同时丰富了吉林浑江地区地球化学异常识别的方法体系,最终可为吉林浑江地区找矿工作提供更为有效的技术手段,对该区进一步的铁矿产资源远景靶区预测提供一定的科学依据及指导意义。1.构建了反向布谷鸟优化孤立森林模型在以往地球化学异常研究工作中,通常采用人工试错法来确定孤立森林的最优参数组合,然而人工试错法很难找到全局最优参数。反向布谷鸟优化孤立森林模型则利用了布谷鸟搜索算法在路径寻优和求解最优这两方面的能力来实现参数自动优化的目的,利用搜索性能和获取全局最优解的能力,进而提升整体模型的性能。2.构建了自适应差分蝙蝠优化单类支持向量机模型该模型利用基于差分进化和自适应改进的蝙蝠算法与单类支持向量机结合,利用差分进化算法在每次迭代的过程中产生更优的解,利用自适应改进算法优化蝙蝠算法速度公式和差分算法的变异和交叉过程,达到提升收敛精度和速度的目的,从而使整个模型性能提升。3.构建了竞争天牛须优化随机森林模型该模型利用天牛须算法具有运算规模小并且寻优高效的特点,将其与随机森林模型相结合,从而实现随机森林最优参数组合自动寻找;再引入竞争机制,使其放弃适应度值低的个体并且平衡种群总体数目,从而避免局部最优解,使得整体模型性能提升。4.构建了层次聚类-奇异性分析-自组织特征映射神经网络相结合的多元地球化学异常识别模型层次聚类-奇异性分析-自组织特征映射神经网络模型利用层次聚类分析对成矿元素的丛集特征进行分析,利用奇异性分析方法进行信息增强,最后利用自组织特征映射神经网络完成地球化学异常识别。综合模型在地球化学异常识别方面克服了传统方法忽略空间数据结构特征和需要人工处理相关特征等不足,在数据层面进行系统聚类和信息增强,确保了自组织特征映射神经网络模型异常识别结果的准确性和稳定性。5.构建了基于微小扰动的最大-最小蚁群算法模型微小扰动最大-最小蚁群算法模型主要基于蚁群算法,通过引入“最大-最小”机制和“微小随机扰动”机制,以此增强迭代效率、避免出现过早收敛,在此基础上,可快速达到全局最优效果。在实际应用中,采用ROC曲线、AUC、约登指数（Youden index）、异常区矿点数占研究区矿点总数百分比等指标来衡量这5种模型的异常识别性能,通过计算结果发现:在多元素地球化学异常识别方面,层次聚类-奇异性分析-自组织特征映射神经网络模型整体性能最优,自适应差分蝙蝠优化单类支持向量机模型次之。在单元素地球化学异常识别方面,基于微小扰动的最大-最小蚁群算法模型也取得了良好效果;上述5种模型均可为研究区与铁矿化相关的地球化学异常识别和资源预测研究提供技术与方法。