随着大数据处理能力的日益增强,新的信息处理技术方法不断涌现,以海量且多元复杂数据为分析基础的人工智能技术迅速发展起来。在地质调查领域,利用人工智能技术进行地质勘查和研究已成为近年来的研究热点。我国经过数十年的地质调查与矿产资源勘查,已经积累了海量有关地质、地球物理、地球化学和遥感等方面的数据信息,为地质数据智能分析奠定了坚实的基础。本文以辽宁本溪-岫岩地区为例,开展了基于机器学习和深度学习的重磁地质智能处理和解释方法研究。采用传统的无监督模式分析方法和基于深度学习的有监督智能分析方法,探索了区域地质与深部地质特征挖掘、断裂构造智能识别等方面的科学研究。该项研究拓宽了利用单一重力异常数据或航磁异常数据进行传统分析的手段,构建一套基于深度学习的重磁地质解释方法,为人工智能在重磁数据处理和解释中的应用提供了新思路。主要取得了如下成果与认识:（1）提出了一种基于深度学习的重磁场空间结构变化特征分析的重磁地质解释方法。该方法基于二维卷积自编码神经网络模型进行重磁场空间结构特征提取,运用高斯混合聚类模型进行特征聚类。该方法可以有效揭示重磁场特征与区域地质特征、深部地质特征和深部地质构造类型的相互关系。结合本溪-岫岩地区地质资料和深部地质资料,采用该方法在研究区确定了5个环形结构,发现了弓长岭和南芬两个无已知标志的环形结构,这些环形结构沿龙岗地块-辽吉古裂谷边界带发育。根据空间结构特征分类结果,揭示出研究区辽吉裂谷表现为两个明显不同的构造分区。（2）提出基于无监督模式分类模型的重磁异常叠合分类方法,采用该方法可以挖掘地质特征,发现不同重磁异常叠加类型及其分布所隐含的地质规律,为重磁数据的解释方法提供了机器学习新手段。（3）提出根据区域地质图提取断裂控制点作为断裂标签数据,并以窗口化方式构建重磁断裂识别模型训练数据集的方法,设计与实现了基于卷积神经网络的断裂构造智能识别方法和基于断裂走向的残差网络断裂构造智能识别方法。这两种基于深度学习的断裂构造识别方法均可有效的识别隐伏断裂信息,且识别结果包含断裂的走向信息,能更好地反映断裂的延伸情况及断裂之间的相互关系,加深研究区断裂发育特征与区域断裂构造格架的认识。（4）通过智能的断裂构造识别方法发现了4条重要断裂,揭示了研究区自西北向东南可划分为三个不同的断裂特征分区。研究区的基本断裂格局表现为:西北地区主要受郯庐断裂沿下辽河盆地延伸的分支断裂控制,研究区东南部为发育北北东向断裂的丹东鸭绿江断裂区。这两个断裂构造区之间为由多条呈北东向断裂构成的过渡带。主要创新点如下:（1）提出基于无监督模式分类模型的重磁数据叠合分类方法。采用该方法可以挖掘地质特征,发现不同重磁异常叠加类型及其分布所隐含的地质规律,为重磁数据的解释方法提供了无监督机器学习新手段;（2）提出了一种基于空间结构变化特征的深度学习重磁异常地质解释方法。基于该方法在研究区确定了5个沿龙岗地块-辽吉古裂谷边界带发育的环形结构,发现了弓长岭和南芬2个无已知标志的环形结构。（3）提出根据区域地质图构建重磁断裂识别训练数据集,构建并实现两种有监督的断裂构造智能识别方法。将这两种方法应用于本溪-岫岩地区,可以发现新断裂,加深了对区域断裂构造格架的认识,获得了良好应用效果。