地球化学探矿是探测矿产资源的一种重要手段,区域化探数据的数学地质处理方法是一个热点研究方向。化探数据处理的首要任务是确定测区异常元素并确定相应元素的异常下限,传统的异常下限确定方法是把地球化学元素分布规律满足正态分布或者对数正态分布作为前提条件,直接以均值加上两倍标准离差作为异常下限,这种方法越来越多的显出其局限性。因为地球是一个非常复杂的系统,而深部矿床的信息其实是很有限的,所以不断探索异常处理的数学地质方法非常必要。盲信号处理方法是当前研究热点之一,在语音信号与图像分离等方面的应用取得了很大的成功。盲信号抽取的核心问题是一种分离或解混合矩阵的学习算法,属于无监督的机器学习,在尽量不丢失信息的前提下抽取其中统计独立的特征。在先验知识缺乏的情况下,盲信号方法是一个自然的选择,从算法的角度看,盲信号抽取算法是局部学习算法,算法相对比较简单。以非高斯性度量为优化准则,从能量最大化的角度提出了联立盲抽取算法,把感兴趣的信号同时提取出来。在源信号数目较大的时候,这明显优于逐个抽取的方法,可以大大减少运算量。把盲信号抽取方法用于识别异常元素的组合是可行的。支持向量机的理论基础是统计学习理论,它基本不涉及概率测度和大数定理。相对于神经网络来说其有很多的优势,首先是其理论基础很完善;此外,其基于结构风险最小化准则,可以有效地解决机器学习的过学习问题,具有很好的泛化性;在理论上一定存在全局最优解,不会陷入局部最优;在结构上采取核函数方法,向高维空间映射时不增加运算的复杂性,可以有效地克服维数灾难。在针对缺乏先验知识的小样本数据时显得特别有效。对于大样本的数据处理,现在有很多的变形和改进算法,能够有效地进行海量数据的处理。在仔细研究盲信号分离理论和支持向量机的特点的基础上,利用MATLAB平台,把二者结合起来,首先利用联立盲抽取算法识别元素组合异常,在此基础上利用支持向量机算法分离相应元素的异常数据并确定异常下限,圈定异常浓集中心,这在地球化学数据处理方法研究上是一种具有创新性的尝试。本文对测区1:5万土壤实际测量数据进行了处理,从实际处理效果来看,算法实现比较客观而全面的反映了实际矿化情况,主要元素组合异常与实际相符,异常下限的选择比较合理,所圈定的异常区域与测区实际吻合较好。这表明结合支持向量机的盲信号抽取算法用于处理地球化学数据是可行的,算法本身是有效的,在地球化学异常识别处理方法研究上具有一定的参考和推广价值。