随着我国社会经济和工业的不断发展,矿产资源的供需矛盾变得越来越严峻。如何快速、准确的进行矿产资源勘探变得越来越重要。地球化学勘探方法凭借成本较低、找寻快速的优势被广泛应用。地球化学勘探即通过分析元素在土壤、岩石和水系沉积物中浓度或分布变化,找到地球化学中存在的规律,为进一步的矿产勘查提供指导。矿体的形成是元素积累和矿化的过程,因此在矿体周围会出现元素分布的异常。发现这些含有成矿指示信息的化学异常是地球化学勘探的关键。通过化探异常识别,大片无矿区域能够被较快舍去,缩小找矿靶区。该方法能够减少人力、物力和时间,具有较高的经济价值。一般来说,受复杂地质过程的影响,地球化学模式主要反映在地球化学变量的组成关系和空间分布上。基于这两个角度提取地球化学模式可以为区分背景和异常提供关键的基础。化学勘探技术和信息技术的蓬勃发展,尤其是地理信息技术的发展,为区域地球化学背景模式的学习和异常的识别提供了良好的数据来源和方法。机器学习因较少依赖先验知识,能够数据进行自动、非线性的抽取而被应用于未知、复杂、多模态的多元地球化学分布模式发现中。尤其是机器学习中的非监督学习方法,在训练和应用时无需矿点样本,更符合自然界中异常和背景的分布比例,是当前基于深度学习进行化探异常识别的热点。但目前机器学习在地球化学异常识别应用时缺乏对地球化学数据空间特性的考虑。对研究区地球化学数据所呈现空间模式的忽视,势必会影响机器学习方法（尤其是无监督学习方法）在地球化学异常识别中的结果和适用性。这也会限制机器学习方法在勘查地球化学领域的应用发展。具体来说,地球化学数据和其他数据的空间特性差异主要可以从特征和应用两个角度的问题。从模式提取的角度来看,以往无监督学习多侧重于挖掘多个地球化学元素的组成关系（从特征属性出发）。很少有研究将地球化学空间模式考虑在内,即使是考虑了地球化学的空间模式,也未能有效地整合这两种地球化学特征（即单一元素的空间结构,多种元素的组成关系）。从应用的角度来看,以前考虑地球化学空间结构的机器学习大多依靠卷积神经网络（CNN）。虽然CNNs可以赋予模型提取空间特征的能力,但它们只适合于矩形研究区域和欧几里得数据。基于采样点收集的地球化学数据是自然是非欧几里得数据,不能直接作为CNN的输入。将地球化学数据内插到CNN所需的栅格数据中会导致二次误差并引入不确定性。针对上述问题,本研究主要以无监督自编码为基础重点解决在识别地球化学异常时未能考虑地球化学空间特征和难以在不规则区域直接应用的关键问题,并取得了以下成果:（1）本研究提出了一个特征融合卷积自编码器（FCAE）来提取和融合多元地球化学的空间结构特征和组成关系来识别地球化学异常。为了评估性能,FCAE被用来识别中国武夷山多金属成矿带西南地区与铜矿有关的异常。结果表明,融合空间结构特征和成分关系,有效地提高了异常点识别的准确性。FCAE的AUC为0.863,召回率为0.909,并且在实验中取得了P-A图的最高交点,超越了现有的几个模型。此外,FCAE对卷积窗口的大小不太敏感,这使得该方法在矿产资源勘探中更加适用和可靠。该部分研究为适应不规则区域的多元地球化学异常识别研究提供理论和模型基础。（2）为解决不规则区域无法利用深度学习提取空间特征的问题,本研究将地球化学采样点数据转化为拓扑图,并引入图学习来提取地球化学的空间分布模式。本研究提出了一个名为GAUGE（recognizing Geochemical Anomalies Using Graph l Earning）的新型地球化学识别框架。为了评估所提出的方法的性能,本研究在中国武夷山多金属成矿带的龙岩地区检测了与金矿有关的异常情况。在规则研究区内,GAUGE达到了与传统卷积自编码器相似的精度。在不规则研究区内,GAUGE的AUC达到了0.833,比一分类支持向量机、孤立森林、自编码器和深度自编码器网络分别高出了10.6%、5.2%、4.8%和2.5%。通过将图学习引入到地球化学异常的识别中,本研究提供了一个能够直接于不规则区域数据和地形同时提取多元地球化学物的空间结构和组成关系的新视角,可以直接应用于不规则区域的样本,而不需要插值。这样的改进大大增强了机器学习方法在地球化学异常识别中的适用性。总之,本研究主要针对于无监督学习在地球化学中未考虑地球化学数据空间特性问题。分别从地球化学数据中的空间特征和应用环境入手,依次提出了两种无监督地球化学异常识别方法。扩展了无监督机器学习在地球化学异常识别的模型集,增强了机器学习（深度学习）方法在地球化学模式识别中的适用性和应用性,同时为其他地球系统的空间数据的关系抽取提供了新的思路和借鉴。