准确高效的重矿物鉴定对物源分析、矿床寻找、地质探测等方面有着非常重要的意义。传统的人工鉴定方式对专业知识要求较高,且可重复性差,鉴定效率很低。随着地质仪器的推广,研究人员通过使用电镜扫描和能谱仪分析系统,来获取重矿物的主要成分和含量,并试图挖掘这些能谱数据和重矿物类别之间的联系,达到鉴定重矿物的目的。然而,由于能谱数据的规模很大,且缺乏有效的存储和管理,相关研究的开展受到了影响。针对上述问题,本文运用规则学习技术,设计并实现集信息存储、查询、可视化及规则挖掘多功能于一体的重矿物自动分析工具。该工具面向用户提供重矿物的信息管理和分析的服务,并利用规则挖掘算法自动提取重矿物的分类规则,为用户判定重矿物的类别提供依据。本文根据重矿物信息存储和自动分析的需求,设计并实现重矿物自动分析工具。本文的主要工作包括:(1)综述了现有的规则挖掘方法本文首先阐述了规则学习的概念,然后总结自上而下推导和序贯覆盖两种规则挖掘框架,并对其中具有代表性的方法进行介绍。(2)提出一种基于径向基神经网络的规则生成方法本文提出一种基于径向基神经网络的规则生成方法Screnn,该方法使用软聚类技术确定径向基神经网络中隐藏层神经元的记忆中心。然后,Screnn方法使用动量梯度下降的优化方法从已训练的神经网络中提取分类规则,不断迭代并更新规则集直至收敛。Screen方法能够在降低规则集大小的同时,提高规则集的分类性能。(3)对重矿物分析工具进行需求分析和设计。本文对工具进行用例分析,明确工具应具备重矿物数据管理、重矿物信息查询、能谱数据可视化和规则学习等功能。然后,本文把重矿物分析工具划分为数据库基础模块和信息展示等功能模块,并对每个模块的界面和功能进行设计,最终确定工具的设计方案。(4)探究规则挖掘方法和工具设计方案的有效性。本文对规则集分类准确率、规则集质量、参数取值等问题进行探究,基于重矿物能谱数据集设计并进行实验,使用评价指标对Screnn等规则挖掘方法进行评估,实验结果证明Screnn方法等能够有效地从能谱数据中提取分类规则。此外,本文针对重矿物分析工具的基础模块和功能模块,分别从界面和功能两个角度实现模块,通过工具的实际运行,验证设计方案的有效性。