摘要
随着全球工业化进程的推进，矿产资源需求持续增长，深部矿床及复杂地质背景下的勘探工作面临日益严峻的挑战，传统找矿方法在处理复杂地质数据时的局限性愈发显著。本研究基于胶莱盆地南缘七宝山陆相火山热液型矿床，提出基于深度学习的多源信息集成驱动找矿模型。通过融合遥感、地球物理和地球化学等多源数据，利用麻雀搜索算法优化的卷积神经网络（SSA-CNN）自动提取数据空间特征，构建高精度的光谱-物探-化探多源融合找矿预测模型，提升了高维数据利用率和模型精度。研究结果显示，模型预测的找矿靶区与已知矿体和矿脉的重合度达86.4%，并通过槽探工程验证了模型的可靠性。该研究提升了现有找矿模型在处理复杂地质数据和进行非线性预测时的准确性，为其他地质背景下的矿产勘查提供了可借鉴的技术路线和理论依据。
Abstract
With the advancement of the global industrialization process, the demand for mineral resources continues to grow, and the exploration of deep deposits and complex geological backgrounds is facing increasingly severe challenges. The limitations of traditional prospecting methods in processing complex geological data are becoming more and more significant. Based on the Qibaoshan continental volcanic hydrothermal deposit in the southern margin of Jiaolai Basin, this paper proposes a deep learning-based multi-source information integration driven prospecting model. By integrating remote sensing, geophysical and geochemical multi-source data, the convolutional neural network (SSA-CNN) optimized by Sparrow search algorithm was used to automatically extract spatial features of the data, and a high-precision spectral, geophysical and geochemical multi-source fusion prospecting prediction model was constructed, which improved the utilization rate of high-dimensional data and model accuracy. The results show that the coincidence degree of the prospecting target predicted by the model with the known ore body and vein is 86.4%, and the reliability of the model is verified by the trough exploration engineering. This study improves the accuracy of the existing prospecting model in processing complex geological data and nonlinear prediction, and provides a useful technical route and theoretical basis for mineral exploration in other geological backgrounds.
0 引言
矿产资源是国民经济发展的基础，随着全球工业化进程的加快，对矿产资源的需求日益增加。然而，矿产资源的勘探难度逐渐加大，尤其是深部矿床和复杂地质背景下的矿床（王俊德，2021；李显元，2023；张宝等，2023；方平等，2024）。传统的找矿方法主要依赖于地质填图、地球物理和地球化学勘探，这些方法在处理复杂地质数据时存在一定的局限性，难以有效整合多源信息（卢辉雄等，2020； 张永哲等，2022；高天栋等，2023）。近年来，深度学习技术在图像识别、自然语言处理等领域取得了显著进展，其在矿产勘探中的应用也逐渐受到关注。深度学习能够自动提取复杂数据中的特征，为矿产找矿模型的研究提供了新的技术手段。
随着地质找矿工作的深入以及新技术的发展，前人在地质找矿研究领域已积累了丰富的成果（张博尧等，2024）。近年来众多专家学者深入研究遥感、地球物理和地球化学等数据，有效揭示了其控矿规律和成矿机制。叶天竺等（2007）整合了多种地质勘探信息，采取能够反映地质成矿本质规律的预测手段，评估了潜在的资源蕴藏量。吴迪等 （2025）依据矿体分布、地球化学特性构建了大坪金矿找矿模型，预测有利成矿空间并成功验证。王斌等（2025）开展了三维原生晕深部找矿预测研究，预测结果与地质、物探结果相互验证。同时，越来越多的研究开始尝试将机器学习和深度学习技术应用于矿产找矿模型。例如，杨青松（2024）对地电提取元素数据引入成分数据分析，运用能谱密度-面积分形理论，依靠卷积神经网络算法构建智能找矿模型对矿区进行了成矿预测。李庆哲（2023）利用 3S 技术进行叠加、套合，建立多元信息空间地质数据库，并成功运用人工神经网络和支持向量机开展了找矿预测。秦耀祖等（2021）从Landsat8影像数据与地球化学勘探信息中提取地质找矿因子，分别构建了基于随机森林和支持向量机的分类预测模型并应用。
然而，尽管多源数据融合与人工智能找矿模型取得了一定进展，但如何有效整合不同类型的数据并提取关键成矿信息仍是一个亟待解决的问题（王成彬等，2024；尹世滔等，2024；左仁广等，2024）。针对前人研究成果中存在的不足，本研究致力于提出一种基于深度学习的多源信息集成驱动找矿模型，以期对现有研究进行延伸和补充。通过深度挖掘遥感、地球物理和地球化学等多源数据的潜在信息，利用麻雀搜索算法优化卷积神经网络（SSA-CNN）模型，自动提取数据的空间特征，构建高精度的找矿预测模型。本研究克服了传统方法在处理复杂地质数据和进行非线性预测时的局限性，提高了找矿预测的准确性和可靠性。同时有助于深化对陆相火山热液型矿床成因的认识，为其他地质背景下的矿产勘查提供可借鉴的技术路线和理论依据。
1 区域地质与矿床特征
1.1 区域地质背景
胶莱盆地南缘七宝山陆相火山热液型矿床位于山东省五莲县，地处胶莱盆地西南部，西邻沂沭断裂带，东南与胶南隆起相接。该区域地质构造复杂，经历了多期构造运动和岩浆活动。中生代以来，研究区经历了华南陆块与华北陆块的碰撞，形成了苏鲁—大别超高压变质带，这一造山带不仅是世界上规模最大、保存最完好的高压—超高压变质岩区，也是岩浆活动最为强烈的地区之一。晚中生代，由于太平洋板块的向西俯冲，区域内的 NNE 向昌邑—大店深断裂与北东向五莲—青岛断裂复活，导致构造和岩浆活动加剧，形成多处火山机构，为金铜多金属矿床的形成提供了有利的地质条件。七宝山火山机构内发育有 3 个重要矿床：金线头金铜矿、七宝山铜及多金属矿、钓鱼台硫铁矿。这些矿床成矿结构面分别与隐爆角砾岩体、原生断裂与次火山岩体裂隙及接触带、火山岩岩性界面相关。火山机构出露的地层包括白垩系青山群的多种岩石类型，成为了重要的控矿和贮矿构造。
1.2 矿床地质特征
七宝山陆相火山热液型矿床主要发育于七宝山火山机构内，矿床的形成与次火山岩体密切相关。矿床内主要发育有七宝山次火山岩体，形态近椭圆状，轴向东西，火山喷发之后岩浆侵入形成了辉长岩、辉石闪长岩、闪长岩—辉石二长岩、粗安玢岩和安山玢岩脉等一系列杂岩（图1a）。其中辉长岩和闪长岩—辉石二长岩、粗安玢岩呈同心环状分布，安山玢岩脉主要沿断裂构造分布。金铜及多金属矿体受寄火山口、隐爆角砾岩筒及其次生构造所控制，主要有用金属为Au、Cu、Ag、Pb、Zn，相互间共生或伴生产出。
矿床的成矿作用与次火山岩石英闪长玢岩密切相关，成矿热液和成矿物质均来源于石英闪长玢岩。矿体主要赋存于隐爆角砾岩体、原生断裂与次火山岩体裂隙及接触带、火山岩岩性界面等构造部位。矿体形态复杂，多为脉状、网脉状和透镜状，矿化类型以热液充填和交代为主。矿石矿物主要有黄铜矿、黄铁矿、方铅矿、闪锌矿、自然金等，脉石矿物主要为石英、方解石、绿泥石等。矿床的形成经历了多期次的热液活动，成矿时代主要为晚中生代，与区域内的火山-次火山活动密切相关。
2 多源数据获取与处理
2.1 数据源与采集
2.1.1 遥感地质特征
研究区采用 Landsat-8卫星的 752波段与 Land‐ sat-5卫星的 453波段组合成像技术，通过多光谱遥感数据的融合处理，有效识别区域内地层、岩体及构造特征（图1b）。在遥感影像中，火山岩分布呈蓝色、紫色等色调，纹理较岩体相对平滑，呈团块状、面状分布等；变质岩为主的岩石体色调较浅，纹形细而均一，团块状展布，山脊线紊乱；碎屑岩类呈较浅的中间色或暖色调，爪状、斑点状纹形发育，山脊线多呈直线状、折线状，冷色区少；中酸性侵入岩呈浅暖色调，具椭圆形轮廓或不规则边界，斑块状纹形，表面相对光滑圆浑，具稀疏的树枝状水系，发育尖棱的弧状山脊和凹形坡面；偏基性的岩石则偏向冷色调。第四纪地层为山麓相砂、砾石建造及河湖堆积，图像上色调差异大，易于与其他岩性区分。遥感成像技术不仅能够清晰反映地表岩性的空间分布规律，还为后文遥感蚀变信息提取提供了重要依据。
图1研究区内火山机构（a）及遥感影像特征（b）
2.1.2 地球物理特征
本研究在研究区内提取了重力异常和磁力异常特征。重力异常主要分布于七宝山一带，呈北东东走向（图2a）。剩余重力异常极大值位于长老庄村西北约 300 m 处，幅值达 3.9×10-5 m/s²，异常形态受外围断裂控制（图2b、f），重力异常垂向一阶与二阶导数趋势与剩余重力异常较为相似（图2c、d）。航磁（ΔT）异常表现为东西向椭圆状高磁异常及周边伴生的低磁异常带，磁异常峰值位于长老庄村西侧约 260 m 处，幅值为 2440 nT，高磁异常外围自后裴家峪村经杏山峪村—七宝山村，延伸至黄龙汪村，形成低磁异常带，负异常极值为-240 nT（图2e）。化极处理后，磁异常显著北移，呈现西北略凸的近似方形正异常，极大值点北移至长老庄村西北，与重力异常极大值点位置一致，表明两者具有同源性。综合推断，局部重力高异常主要由闪长岩类次火山岩体及金属矿床引起，而磁高异常则与次火山岩体、金属矿床及火山岩地层共同相关。
图2研究区七宝山重、磁、地综合图
a—布格重力异常图；b—剩余重力异常图；c—布格重力异常垂向一阶导数图；d—布格重力异常垂向二阶导数图；e—航磁（ΔT）异常图；f—地质图
2.1.3 地球化学特征
根据研究区内开展的1∶5万水系沉积物测量成果（卢文东，2019），确定一处面积约34 km2 的综合地球化学异常，形态近椭圆，轴向东西，以 Ag、Pb、Au、 Cu 为核心元素，伴生 Zn、Mo 等多种指示元素，各元素异常套合紧密，Ag峰值高达4871.00×10-9，其他元素亦高浓度。异常紧密围绕穹状火山机构，与已知金矿、银矿及铅锌矿位置吻合，预示广阔找矿前景。目前发现多处高品位 Au、Ag、Cu、Pb、Zn 矿体，主要围绕杂岩体构造带成矿，具“矿致异常”基本特征，因此选取所有 13 种元素异常剖析数据作为重要预测因素，以供深度学习预测模型学习。
2.2 数据融合与特征提取
对于遥感异常，不同波段波谱特征为不同程度的吸收特征，矿化蚀变多伴生有绿泥化、绢云母化、高岭土化等，这些蚀变矿物大多含有羟基（OH-），碳酸盐化矿物如方解石、白云石、菱锰矿等矿物大多含有CO32- 基团。依据蚀变矿物的波谱特征，对ETM 图像的 B（1、4、5、7）波段和 B（1、3、4、5）波段进行主成份分析（PCA），分别提取相应羟基和铁染蚀变信息。遥感异常分级所采用的不同阈值对应不同图像，以±5σ（标准离差）为主分量输出的动态范围，获得蚀变遥感异常主分量，遥感异常的表示色块以及异常分级值见表1。
表1遥感异常蚀变类别与分级
1 —第四系；2—八亩地组；3—方戈庄组；4—曲格庄组；5—闪长玢岩；6—安山玢岩；7—辉石二长岩；8—粗安斑岩；9—断层；10—推断断层； 11—爆发相；12—浅火山岩相
对于重力、航磁异常以及地球化学数据，利用采样点数据在研究区进行克里金插值，将所有参数等值线图在 ArcGIS 中统一为 CGCS2000 坐标系，按其经纬跨度划分为 51×34 个网格，在 Python 中利用自定义残差函数进行提取，共 1734 组数据点，以供后续深度学习预测模型训练使用。
3 深度学习预测模型
3.1 数据准备与特征选择
选取前文分析并提取的光谱特征、地球物理特征以及地球化学特征3大类数据（表2），包含蚀变异常分布、重力磁力异常梯度、不同元素浓度等共 20 项特征作为自变量Xi。根据研究区已知矿床点的类型、规律等信息，对研究区进行数据标记，将敞沟矿段、红石岗矿段及杏山峪矿段 3 个矿段所在的七宝山铅锌矿床区域标记作为正样本，非矿区域作为负样本，作为变量 Y。将所有 1734组输入数据划分为 70%/30% 的训练和测试占比，采用卷积神经网络 （CNN）算法，计算得每个预测单元的成矿有利程度，达到找矿靶点模型更加精细化的目的。
表2卷积神经网络输入特征参数组合
3.2 卷积神经网络算法概述
卷积神经网络（Convolutional Neural Network， CNN）是一种专门用于处理具有网格结构数据的深度学习方法。CNN通过卷积层、池化层和全连接层的组合，能够自动提取输入数据的空间特征，用于分类或回归任务。对于输入样本，卷积层通过卷积核在数据上滑动，提取局部特征；池化层则对特征图进行下采样，减少数据维度并增强模型的鲁棒性；全连接层将提取的特征映射到最终的输出类别或预测值。CNN通过多层卷积和池化操作，能够捕捉数据中的多层次特征，适用于复杂的非线性问题。
3.3 麻雀搜索算法原理
本文基于 CNN 的找矿靶区预测模型用于预测的数据主要包括地球物理、地球化学、遥感等多源数据，需要预测模型自动提取地球化学异常、遥感蚀变信息等多源数据的空间特征。因此，为了提高模型搜索效率与准确性，需要对CNN基线模型进行优化与改进，鉴于地质数据的维度高、复杂性强等特性，本文选取麻雀搜索算法（Sparrow Search Algorithm，SSA）对 CNN 网络进行优化，来提升模型的预测性能。
SSA主要是受麻雀的觅食行为和反捕食行为的启发而提出的，较适用于本文的高维度地质数据。其中，麻雀群体中的发现者负责寻找食物并提供觅食区域和方向，而加入者则是利用发现者来获取食物。发现者与加入者可以身份转换。种群中的个体会相互监视并争夺食物，以提高自己的捕食率。此外，当天敌逼近时，种群会进行反捕食行为。发现者的位置更新如式（1）所示。
(1)
式（1）中，t代表当前迭代数，j=1，2，3，...，d。itermax 是一个常数，表示最大的迭代次数。Xi，j表示第 i 个麻雀在第j维中的位置信息。α∈（0，1]是一个随机数。 R2（R2∈[0，1]）和 ST（ST∈[0.5，1]）分别表示预警值和安全值。Q为随机数。L表示一个1×d的矩阵，其中该矩阵内每个元素全部为 1。当 R2<ST 时表明环境周围无捕食者，发现者可以广泛搜索食物。R2≥ST时表示捕食环境中发现了捕食者，麻雀个体向种群发出警报。
在捕食过程中加入者会争夺发现者的食物，其位置更新如式（2）所示。
(2)
式（2）中，Xp为最优位置，Xworst为最差位置，A 为大小为 1×d 的矩阵，矩阵的每个元素是 1 或-1 的随机赋值，并满足 A+ =AT （AAT ）-1。当 i>n/2 时表示第 i 个加入者不寻找食物，需要前往其他区域提高自身适应度。当受到捕食者的威胁时，麻雀个体会发出警告信号，种群会进行反捕食行为。式（3）用于更新被调查麻雀的位置。
(3)
式（3）中，其中 Xbest是当前的全局最优位置。β 作为步长控制参数，是服从均值为 0，方差为 1的正态分布的随机数。K∈[-1，1]是一个随机数，fi则是当前麻雀个体的适应度值。fg和 fw分别是当前全局最佳和最差的适应度值。ε 是最小的常数，以避免分母出现零。当 fi >fg时表示麻雀处于种群边缘，易受到捕食者攻击。Xbest表示这个位置的麻雀为种群中最好的位置。fi =fg时表明种群中的麻雀意识到了危险，靠近其它麻雀以减少它们被捕食的风险。K 表示步长控制参数。
3.4 SSA-CNN预测结果
本文通过引入 SSA算法，可以对 CNN网络的权重和偏置进行优化，提高了预测精度和泛化能力。 SSA 优化 CNN 网络流程如图4所示。SSA-CNN 模型的实现步骤如下：
步骤 1：采取 Min-Max 标准化将数据限制在固定范围，以提高SSA的搜索效率。将20项特征统计为 X={x1，x2，…，xn}数据集，将每一组特征数据进行 xnorm=（xi-Xmin）/（Xmax-Xmin）运算后，映射到[0，1]区间。
步骤2：SSA对初始值编码，包括麻雀数量、最大迭代次数、发现者数量。
步骤 3：计算个体适应度值确定最好及最差位置。
步骤4：更新麻雀位置。
步骤5：确定当前种群最优个体位置，如果新位置比之前的位置好，就会更新。如果达到设定的最大迭代次数，则输出。否则，它返回继续优化，直到获得最佳麻雀坐标。
步骤6：将优化得到的麻雀坐标带入CNN网络，得到SSA-CNN预测模型的输出值。
图4SSA优化CNN算法流程图
将 CNN 卷积核大小设置为 3×3，步长为 1，采用 SamePadding 填充，最大池化层为 2×2，以确保特征尺寸不变条件下降低特征维度并保留主要特征。同时为有效缓解梯度消失问题并兼具较高的计算效率，在 CNN 全连接层后选择 ReLU 激活函数。在 SSA 算法优化网络权值和阈值时，设置 SSA 种群数量为10个，最大迭代次数为100次，发现者和侦察员的数量分别为种群数量的 20%。多次训练 SSACNN算法后，选取模型稳定后的参数组合用于预测，其中预测结果如图5所示。为可视化区域预测等级，对高潜力区（P>0.75）进行目标追踪，在Python中读取图像并转换为灰度图，然后设置灰度阈值创建二值图像，将高潜力区预测单元设置为灰色，连续追踪后结果显示与已知矿体和矿脉重合度达 86.4%，可见模型直接找矿信息较强，模型适用性较好。
图5基于SSA-CNN的区域成矿预测成果图
3.5 模型评估
为验证本文构建的SSA-CNN优化效果，选取粒子群优化算法优化的卷积神经网络（PSO-CNN）、遗传算法优化的卷积神经网络（GA-CNN）、K-近邻算法（KNN）、人工神经网络（BP）、决策树（DT）、开普勒优化算法（KOA）、蜣螂差分进化算法（DBO）、鲸鱼优化算法（WOA）共 9种算法作为对照算法，输入相同数据对研究区开展找矿靶区预测。
本文选取混淆矩阵（Confusion Matrix）直观展示模型预测值与真实值的差异，以评估模型性能（李志伟和曹乐，2023）。通过计算得到准确率（Accu‐ racy）、精确率（Precision）、召回率（Recall）和 F1分数 （F1-Score）共4个性能评估指标值，计算公式为：
(4)
(5)
(6)
(7)
式（4~7）中，TP 代表预测为有矿（脉）且实际有矿（脉）的样本数量；FN代表预测为有矿（脉）但实际无矿（脉）的样本数量；FP代表实际为无矿（脉）但预测为有矿（脉）的样本数量；TN代表实际为无矿（脉） 预测为无矿（脉）的样本数量。
根据上述模型参数设定，得到了各模预测结果的混淆矩阵（图6）。由图6可知，SSA-CNN 混淆矩阵中的TP和TN样本数均大于其他3种模型的预测结果，表明本文所建的SSA-CNN找矿预测模型的预测性能相较于其他预测模型更好，可靠度更高。同时对前文所述模型性能评估指标进行计算（表3）。由计算结果可知，SSA-CNN模型的各项评价指标均优于其他模型，其中，相较于其他模型在测试样本中的准确率提高了 3.22%~12.74%；精确率提高了 8.26%~33.33%；召回率提高了 6.93%~24.32%；F1分数提高了 7.65%~28.83%。表明 SSA 优化后 CNN 算法更适用于找矿数据，在识别预测潜在矿体时具有较高的预测精度。
表3多模型评价指标结果
图69种模型预测结果混淆矩阵
为了进一步对比各模型的误差精度，将 9 种算法分为 3 大类，绿色点为模型融合与优化策略角度的 3 种算法，黑色点为传统机器学习模型角度的 3 种算法，蓝色点为优化算法驱动的模型角度的 3 种算法，以此比较不同类别模型之间的异同，对3大类共9种不同找矿靶区预测模型的统计学指标进行泰勒图绘制，如图7所示（李伯新等，2023；刘雪娟， 2024）。其中，每个散点代表一个模型，其位置由该模型与观测数据之间的相关系数、标准差以及均方根误差共同决定。SSA-CNN 的散点位于图中较为接近真实值的位置，且辐射线角度较小，表明 SSACNN 预测结果相较于其他模型与真实值之间的相关性最高，标准差与真实值的标准差相近，表现优于其他优化算法。PSO-CNN、KOA、DBO 等算法虽然具有较强的搜索能力，但容易陷入局部最优或计算复杂度较高。KNN、BP、DT 等算法在处理高维、非线性的地质数据时表现不佳。同时，笔者将每一类算法不同模型预测结果进行分类聚点，可见模型融合与优化策略预测模型效果较好，训练时能更快找到数据规律并快速收敛。传统机器学习模型与优化算法驱动的模型相较于融合优化策略模型预测波动更大，精度更低，在开展相关高纬度找矿靶点预测问题时应慎重选择与使用。
图7多种预测模型泰勒图评估
4 结果与讨论
4.1 找矿模型对比
本研究构建了一种基于麻雀搜索算法优化的卷积神经网络模型用于找矿靶区预测，并选取了粒子群优化算法优化的卷积神经网络（PSO-CNN）、遗传算法优化的卷积神经网络（GA-CNN）、K-近邻算法（KNN）、人工神经网络（BP）、决策树（DT）、开普勒优化算法（KOA）、蜣螂差分进化算法（DBO）以及鲸鱼优化算法（WOA）9 种算法作为对照，以确保对比的全面性和公平性。实验结果表明，与 PSO-CNN 和GA-CNN相比，SSA-CNN在全局搜索能力上表现更优，避免了陷入局部最优的问题；与KNN和BP相比，SSA-CNN在计算效率和训练速度上具有明显优势，尤其适用于大规模数据集；与 DT 和 KOA 相比， SSA-CNN对噪声数据和复杂问题的处理能力更强，表现出更高的鲁棒性；与 DBO 和 WOA 相比，SSACNN在优化精度和预测性能上具有显著优势，尤其在找矿靶区预测任务中表现出更高的准确性。综上所述，SSA-CNN模型在全局搜索能力、计算效率、鲁棒性和优化精度上均显著优于对照算法，充分体现了其在找矿靶区预测中的独特优势和应用价值。
4.2 靶区特征与验证
根据本文预测结果，圈定两处找矿靶区，分别为金线头东铅锌矿找矿靶区与杏山峪北铅锌矿找矿靶区，目前已在两处靶区施工共 4 处槽探进行了验证。其中，槽探 TC1中控制的蚀变带宽 500 m，数条主裂隙中发育大量黄铁矿，有进一步工作的价值和前景。根据取样分析结果共圈定两个铅矿化体 PbⅠ、PbⅡ。其中PbⅠ控制宽度约1.8 m，Pb最高品位 0.139%，Pb 平均品位 0.123%，推断宽矿体延伸 80~100 m，围岩为八亩地组火山集块岩。PbⅡ控制宽度 5.5 m，Pb 最高品位 0.206%，Pb 平均品位 0.142%，推断矿体延伸80~100 m。
在金线头村东分布一条矿化蚀变带，呈NNE向展布，宽约30 m，长约1300 m，由3处槽探TC2、TC3、 TC4控制，圈定一个铅锌矿化体 Pb-ZnⅠ、两个锌矿化体 ZnⅡ和 ZnⅢ。根据取样分析结果，铅品位 0.74%~0.92%，锌品位 0.1%~0.38%。其中槽探 TC3 控制锌矿化体厚度1 m，探槽TC2控制矿体厚23 m，探槽 TC4 控制铅矿化体厚度 3 m，地表控制长度约 600 m，走向 26°，倾向 296°，倾角 80°~85°，Pb-ZnⅠ 赋存在褐铁矿化蚀变带内，赋矿岩性为褐铁矿化碎裂状闪长玢岩。矿化蚀变带宽 10~55 m，其中探槽 TC2 处控制矿化蚀变带较宽约 55 m，向两侧矿化蚀变带宽度逐渐变窄宽约10 m，可以作为下一步工作的重点对象。
5 结论
本研究以胶莱盆地南缘七宝山陆相火山热液型矿床为研究对象，开展了基于深度学习的多源信息集成驱动找矿模型的研究。通过多源数据的融合与深度学习算法的应用，揭示了该区域的成矿规律，并提出了有效的找矿预测方法。具体结论如下：
（1）本文综合遥感地质特征、地球物理特征和地球化学特征数据，系统揭示了七宝山陆相火山热液型矿床的形成机制及其控矿规律。通过多源数据的融合丰富了深度学习模型的学习样本，为矿床勘探提供了可靠的数据支持。
（2）本研究基于麻雀搜索算法优化卷积神经网络（SSA-CNN）算法，自动提取了多源数据的空间特征，成功构建了多源数据驱动的找矿预测模型。通过模型训练与验证，实现了对研究区内成矿潜力的精确评估。预测结果显示，SSA-CNN相较于其他模型在测试样本中准确率提高了3.22%~12.74%；精确率提高了 8.26%~33.33%；召回率提高了 6.93%~24.32%；F1分数提高了7.65%~28.83%。表明模型具有较强的直接找矿信息提取能力。
（3）在SSA-CNN模型预测的找矿潜力区圈定了金线头东铅锌矿与杏山峪北铅锌矿 2 处找矿靶区，并在找矿靶区开展槽探工程。根据槽探工程取样分析结果共圈定两个铅矿化体 PbⅠ、PbⅡ，一个铅锌矿化体 Pb-ZnⅠ，两个锌矿化体 ZnⅡ和 ZnⅢ，对其矿体品位和厚度进行了较好的控制。
（4）尽管本研究取得了较好的预测效果，但仍存在一定的局限性。未来研究可以进一步增加多源数据的种类和数量，以提高模型的泛化能力。同时，可以结合地质动力学模拟，深入探讨成矿过程的时空演化规律，为其他类似地质背景的矿床勘探提供可借鉴的技术路线。
