尽管矿产勘查工作由浅部矿向深部隐伏矿、由易识别矿向难识别矿发展,但深部找矿存在信息少、难度大、投资多、风险大等难题,使得找矿难度日益增大。深度学习作为人工智能的前沿技术,对于实现“智慧找矿”具有得天独厚的优势,可以为深部矿产资源预测提供有力的技术支撑。本文以三维可视化建模技术、深度学习理论方法为指导,首先,分析深部找矿和深度学习应用的国内外研究现状;其次,通过收集研究区剖面、钻孔等数据资料,构建地质体三维模型,并结合前人研究成果,提取多元找矿信息;再次,从DNN算法网络结构的隐藏层层数、神经元个数、学习率与迭代次数以及梯度下降方式等几个方面对模型进行优化,构建基于DNN的多源信息找矿预测模型;最后,通过研究区已知矿体信息划分训练集和测试集,验证所构建模型的有效性。所取得的成果主要包括以下几个方面:(1)构建了三维一体化数据体模型。通过收集研究区已有历史成果数据,包括钻孔、剖面等,构建了研究区的三维岩体、蚀变、矿体以及化分元素的实体模型,并结合克里格插值方法构建三维块体模型,同时,依据前人研究成果,提取多元找矿信息,形成三维一体化数据体模型。(2)建立了基于DNN的深部找矿预测模型。在总结了DNN算法基本结构基础上,采用经验公式和实验验证相结合的方式,对模型隐藏层层数、神经元个数等核心参数进行优化;同时,通过对比分析各种激活函数的特点,本文选择Re LU函数作为模型中间层的激活函数,输出层采用交叉熵和Sigmoid函数组合的方式,加快了模型的收敛。(3)实现了典型地区的深部矿产预测。将本文构建的模型应用于研究区深部成矿预测,得到模型预测的正确率、查准率和召回率分别为:87.26%、80.21%和70.32%。将预测结果进行三维可视化建模,并与矿区实际成矿情况进行对比分析。从预测效果来看,本文模型预测结果与矿体位置、规模与矿区实际情况吻合度较高,同时算法的收敛性也很好,验证了所构建模型的有效性。