铀矿资源不仅是自然资源的重要组成部分,更是人类社会赖以生存和物质发展的基础。其开发和利用在推动国家富强、区域经济增长、国家经济安全的过程中起着重要的作用。目前,我国的矿床以中低品位为主,呈现出贫矿多富矿少的现象,而影响岩石含矿性的因素也错综复杂,这不仅给含矿性识别工作带来了困难,也对我国铀矿资源的开发与利用造成了影响。为了完善岩石含矿性识别的理论研究与实践应用,利用数学算法建立组合模型从定量的角度对岩石含矿性进行分类识别对该领域的研究有着重要的意义。本文以相山铀矿资源区域的3个矿床、55个样本、20个微量元素变量作为分析样本建立以下数学模型进行分析和研究:第一,对20个微量元素变量利用对应分析进行降维处理,找到对3种类型岩石(分别为:富矿石、贫矿石或蚀变岩和围岩)影响较大的14个变量,分别为:U、Th、Mo、Yb、Y、P、Sr、Pb、Zr、K、Zn、Sm、Rb和Ta,并以此建立判别分析模型。本文将选取其中前45个样本数据作为训练样本,后10个样本数据作为测试样本,得到实验结果。结果表明,分类准确率从降维处理之前的70%提升为降维处理之后的80%,模型效果优于降维前。第二,建立基于遗传算法的BP神经网络组合模型(BP-GA)对岩石的含矿性进行识别应用。利用GA进行变量筛选,挑选出对岩石含矿性分类影响最大的8个变量,分别为:U、Sr、Th、Ce、Hf、Mo、Zn、U、Pb,并以此建立GA-BP模型。结果表明,分类准确率由70%提升为降维后的90%,模型效果得到了一定程度的提高。第三,建立基于主成分的支持向量机组合模型(PCA-SVM)对岩石含矿性进行识别应用。由于影响岩石含矿性的成分存在复杂相关性,所以先利用PCA选取出累计贡献率大于%85的6个主成分作为SVM的输入变量。再采取网格搜索法(GS)、粒子群算法(PSO)及遗传算法(GA)对SVM的主要参数c、g进行优化。结果表明,不论哪一种参数优化方法,在对原始数据进行PCA处理后,其分类准确率都得到了提高;利用GA优化模型得到的效果最好,PCA-GA-SVM模型的分类准确率达到100%。上述几种组合模型算法在铀矿岩石含矿性识别中的研究与应用,为探索定量识别地质学科中岩石分类等问题提供了新的途径与方法。