由于天然大地电磁信号微弱、极易受到各类电磁噪声的污染,同时矿集区噪声类型复杂多样,且能量强、相关性好,如何自适应、精确地从矿集区强干扰中分离出微弱的大地电磁有效信号成为一项极具挑战性的任务。本文融合多种特征参数与智能分类方法对大地电磁信号进行信噪分离研究,主要研究如下:(1)引入近似熵和多尺度熵,结合K-means聚类对受强干扰的大地电磁数据进行精确辨识;仅对辨识为强干扰的数据段利用分段正交匹配追踪进行噪声压制。(2)从大地电磁数据的信号复杂度入手,提取近似熵、模糊熵、样本熵和LZ复杂度进行分析;将这4类鲁棒性的特征参数作为支持向量机的输入,对样本库进行训练得到信噪辨识数学模型;对实测大地电磁数据进行信噪辨识,并仅对甄别为强干扰的时间序列结合互补集合经验模态分解和小波阈值法进行噪声压制。(3)构造了海量符合大地电磁微弱信号和强干扰特性的样本库,定义网络和相关训练参数,并将样本库输入至一维卷积神经网络进行训练,得到相应的训练集和测试集,最终得到训练模型;利用得到的数学模型对大地电磁数据进行信噪辨识,并仅对辨识为强干扰的信号利用小波阈值法进行噪声压制。上述方法经模拟实验、青海试验点实验和实测资料处理,结果表明:对比传统方法,所提方法能保留更多的低频缓变化信息,视电阻率-相位曲线更加光滑、连续,为矿集区强干扰精准分离提供了新的解决思路。