不同类型的数据为地质填图提供了特定信息,例如,遥感图像记录了物体的光谱特征,地球化学数据代表了元素的富集或亏损。因此,单一类型的数据源在地质填图中具有局限性。多源数据融合技术通过组合同一目标的不同特征信息,可以利用各种数据的优势,可为地质填图提供丰富的信息。在此基础上,基于不同的数据集,将随机森林和卷积神经网络应用于内蒙古吉林宝利格岩性单元填图。本研究引入Gram-Schmidt融合技术对Sentinel-2A和ASTER遥感影像进行融合,提高遥感数据空间分辨率,以及更丰富的岩性诊断信息。根据地球化学元素浓度与光谱反射率的相关性,将遥感影像与地球化学数据有机结合。融合后的数据保留了遥感图像中地质单元的原始地球化学特征和丰富的空间纹理细节。随机森林对离群值不敏感,在随机干扰较多的情况下表现稳健。基于像素的方法进行高分辨率影像的分类会导致椒盐现象,而且忽略了数据的空间特征。深度学习是具有多层隐含层的神经网络模型,学习和提取数据更深层次的抽象特征,CNN可以同时考虑数据的空间和光谱特征。充分利用融合数据的空间特征,最终构建了一个用于地质填图的CNN模型。研究区8个目标岩性单元得到有效区分,总体准确率为88%,表明混合方法具有良好的性能。