我国积累的大量高质量、多元素、多尺度的地球化学数据，为矿产勘查与环境评价提供了有效的数据支撑。如何对这些数据进行二次开发和再利用，提取有价值的地球化学异常信息并带动找矿突破，是缓解当前矿产资源短缺的重要途径之一。在覆盖区和深部的找矿实践中，由于矿体埋深和覆盖层的影响，往往在表生介质中形成弱小的地球化学异常，识别和评价弱小地球化学异常是当前勘查地球化学数据处理的重要方向之一。本文围绕地球化学异常信息的提取和评价，主要从以下几个方面讨论了相关的国内外研究进展和发展趋势：勘查地球化学数据处理与异常识别方法和模型，勘查地球化学数据闭合效应的影响及其解决方案，基于大数据和机器学习的勘查地球化学数据处理以及弱小地球化学异常的识别和评价。研究发现，在地质环境的约束下,基于大数据思维和机器学习相结合的方法，注重地球化学空间分布模式与已发现矿床的相关关系，同时使用所有地球化学变量能有效刻画具有非线性特征的地球化学空间分布模式，可识别出传统方法无法识别的异常，为开展地球化学空间模式识别与异常提取提供了新的途径。

通过查明数字间的相关关系，研究、解决地质问题的大数据研究思想和方法，已被越来越多的地质工作者接受并应用。文中应用大数据思想、方法对甘肃省西秦岭地区1∶20万区域水系沉积物测量数据进行深度挖掘，构建起“基于化探信息的区域Au找矿靶区定量优选系列模型”。系列模型不但对研究区Au找矿靶区做出了精确的定量预测(经随机抽样查证，在1/3的预测靶区发现Au矿化)，同时获得了与Au成矿地球化学理论结果高度一致的元素组合，并且对各元素在找矿靶区预测模型中的重要程度做出定量评价，为进一步研究矿床成因和控矿条件提供了定量依据。该研究结果充分说明海量数据信息中隐藏着极大的潜能，依据地质大数据的思想和定量研究方法就能将其充分地挖掘出来。同时这也充分证明了通过“查明数据间的相关关系取代分析事物因果关系”开展地质研究、找矿靶区定量优选的可行性和必要性。

胶东金矿床集中产于伸展构造系统内，常常显示出明显的构造控矿特征，但前人提出的阶梯式成矿模式难以回答哪些构造特征真正控制了金矿床的形成。大数据时代的到来为地质勘查数据的挖掘、成矿规律的探索提供了新的途径。选择胶东地区的大尹格庄金矿床为研究对象，在系统收集勘查资料的基础上，通过空间分析技术对控矿因素的不同特征进行定量表达，进而分析其与金矿化的相关关系。分析结果显示招平断裂带的距离场因素与金品位和金属量均呈双峰分布特征，与大尹格庄金矿床存在的两类矿化相对应，直观反映了不同类型矿石的相对空间位置。断层的坡度与金品位近似呈高斯分布，品位峰值区累积了大量的金属量，暗示了成矿流体更多地在某一特定的坡度范围内汇聚、停留。断裂面的陡缓变化和起伏程度显著地影响了金的富集程度，能够清晰地区分出经济品位的矿石和矿化体并确定矿体的最有利部位。在蚀变带中最强烈的蚀变部位，金的沉淀量急剧增加，暗示蚀变带内相同的部位可能叠加了持续的热液交代或多次成矿作用。控矿因素大数据分析表明，招平断裂面的形态特征是控制大尹格庄形成的关键因素，这种规律可被推广到整个胶东地区的金矿床。

定量遥感找矿是遥感大数据在找矿应用中的一项前沿技术。本文采用多元回归分析方法，通过对多组不同数量地表铝土矿样本进行遥感建模与反演实验，探索样本量对定量遥感建模的影响。实验中，首先以地表采样获得的Al2O3、SiO2含量分析结果作为样本数据，再根据样本位置从Landsat 8遥感数据中分别读取1~7个波段反射率数据，然后利用SPSS软件，将Al2O3、SiO2含量与相应的1~7波段反射率进行多元回归分析，并分别建立Al2O3、SiO2含量遥感定量反演模型。为了得到最佳反演模型，随机选出6批不同数量的样本进行建模实验，每批样本大约2/3用于建模，其余1/3用于模型检验。实验结果表明：随着样本量增加，模型的判定系数(R2)均呈先快速升高后缓慢下降的趋势，反演结果的均方根误差则与之相反。当样本量为50左右时，判定系数取得极大值，均方根误差取得极小值，总体具有偏态分布特征。最后，利用遥感影像对样本量为50时建立的模型进行反演验证，研究区地表Al2O3、SiO2含量的反演结果与实际情况吻合得很好，从而证实了该建模方法具有可靠性，可以进一步推广使用。

通过岩浆岩的地球化学特征判别岩浆形成的大地构造环境和岩浆源区的化学性质是地球化学全岩分析最重要的应用之一。该方法利用全岩地球化学数据，包括主量元素、微量元素和同位素组成数据，对给定岩浆岩(玄武岩、花岗岩等)的大地构造环境进行判别。作为人工智能技术在地球化学研究领域中的新尝试，机器学习判别方法逐渐成为经典判别图解法的补充研究手段。然而，高维数据特征筛选和繁多未知参数确定是影响算法分类准确性的两个主要因素。为此，提出一种遗传算法优化神经网络耦合判别方法(GA-NNDM)。该方法利用特征选择、参数确定和分类性能之间的反馈联系，将分类准确率、所选特征数量和特征代价作为适应度函数，通过迭代演化寻求最佳特征子集和未知参数，从而达到减少特征、优化参数和提高性能的目的。此外，根据公开玄武岩样品地球化学数据，通过K折交叉验证等方法设置纵向、横向比较实验来验证GA-NNDM在玄武岩构造环境判别方面的准确性、稳定性和外延性。仿真实验结果表明，GA-NNDM具有优良的判别效果和泛化能力，其总体分类准确率能达到90%。因此，GA-NNDM值得在地球化学领域做进一步推广应用。