利用传统深海探测技术进行海底多金属硫化物勘查不仅难度大且成本高,这导致已发现的热液区与采集到的与热液成矿相关数据较少。为缩小勘探范围从而提高找矿效率,在实地勘探前,我们需要一种既适用于小样本,又能使特征变量充分体现找矿信息的成矿定量预测方法。如今一些传统的统计学方法已应用于海底多金属硫化物成矿预测,但这些方法无法满足上述要求。机器学习算法具有可以同时将二分类、多分类和连续数据作为特征变量的优势,而且用作特征变量的数据不需要进行任何预处理（例如归一化）,其中随机森林与孤立森林模型两种机器学习模型都是通过构建多颗二叉树形成森林的集成算法,它们不仅适用于对小样本数据的成矿预测,并且模型性能优于其他算法。本文基于随机森林与孤立森林的特点提出了基于随机森林与孤立森林的联合应用模型,该模型利用模糊逻辑算法中的模糊算子将随机森林与孤立森林两种模型的预测结果相结合。本文以西南印度洋48.7°—50.5°E洋脊段为研究区,基于热液成矿相关的地形、地质、地球化学、水体特征变量应用基于随机森林与孤立森林的联合应用模型开展了成矿定量预测,并对该模型与传统证据权法模型圈定的远景区进行评估对比。为进一步缩小勘探范围,本研究在西南印度洋48.7°—50.5°E洋脊段圈定的远景区中选择成矿概率最高且数据相对丰富的龙角区作为重点区进行进一步的成矿定量预测。龙角区与西南印度洋48.7°E—50.5°E洋脊段的数据相比,已知热液区更少且多个特征变量存在缺失值,如何把存在数据缺失的图层在海底热液多金属硫化物成矿预测中加以应用是值得探索的问题。目前已有多种成矿预测方法可以处理缺失数据,例如证据权法、综合证据权法、模糊逻辑法等,以上方法在陆地矿产预测中均取得了较好的效果,但海底数据缺失情况较陆地更为复杂,具体表现为数据缺失面积大,不同的图层缺失数据所处位置不一致,多个图层同时存在数据缺失的问题,并且由于大洋调查程度低导致已知矿区少,这更加加大了矿产预测的难度。因此针对大洋数据的特点,我们需要探索出一套既能处理缺失数据,又能在已知矿区少的情况下进行成矿预测的方法。为解决以上问题,本研究提出了将MICE多重插补法与孤立森林模型相结合的预测方案,并将该方案的预测结果与直接使用模糊逻辑模型,以及仅对插补前完整数据集利用孤立森林或模糊逻辑模型的预测结果进行了对比。本研究取得的主要研究成果如下:（1）根据超慢速扩张洋中脊海底多金属硫化物的矿床成因,搜集热液区、水深、地质和热液羽流异常数据,采用叠加分析和缓冲分析对数据进行分析,提取与海底硫化物成矿直接或间接相关的信息,总结找矿有利条件并建立了西南印度洋48.7°E—50.5°E洋脊段多金属硫化物成矿定量预测找矿定量预测模型。（2）本研究提出的基于随机森林与孤立森林的联合应用成矿预测方法是一种利用模糊逻辑原理中的模糊算子将随机森林与孤立森林的预测结果相整合的机器学习模型。基于随机森林与孤立森林的联合应用模型不仅适用于小样本,而且允许根据各指标对成矿指示方式的不同同时将二分类、多分类以及连续数据用作特征变量使其能最大程度的体现成矿信息。（3）利用证据权模型与联合应用模型进行成矿定量预测中的特征变量重要性排序表明,基于随机森林与孤立森林的联合应用模型与证据权法得出的前10个重要特征变量一致,因此大型断裂（E型断裂、拆离断层）、洋壳厚度和洋脊轴是西南印度洋48.7°E—50.5°E洋脊段多金属硫化物重要的找矿标志。（4）我们将利用基于随机森林与孤立森林的联合应用法圈定的远景区与基于证据权法圈定的远景区叠加发现基于随机森林与孤立森林的联合应用模型相比证据权法对远景区的圈定更精确。因此本研究将基于随机森林与孤立森林的联合应用模型圈定的8处远景区作为西南印度洋48.7°E—50.5°E洋脊段多金属硫化物成矿定量预测最终的远景区。（5）根据龙角区数据集的缺失机制、缺失率和缺失模式,在完整观测数据集上进行缺失值模拟,利用目前最认可的k近邻、miss Forest和MICE多重插补法对模拟的缺失数据集进行插补,对以上3种方法在本研究缺失数据集上的插补性能进行了比较。结果表明MICE多重插补法的表现明显优于其他两种方法,因此将利用MICE多重插补法对原始数据集中的缺失值进行插补。（6）针对龙角区多个特征变量存在缺失值且缺失率接近50%的特点,本研究提出了将MICE多重插补法与孤立森林模型相结合的预测方案。该方案比直接利用模糊逻辑模型取得了更好的预测效果,且将含有缺失值的图层加入数据集有助于提高成矿定量预测的准确性。（7）将利用MICE多重插补法与孤立森林模型绘制的成矿潜力图作为龙角区成矿定量预测的最终结果。龙角区已知5处热液区均包含在成矿概率高值区内,无已知热液区的西南处高值区可作为后续重点勘探目标。