本發(fā)明提出了一種基于樣本失衡的深度學習礦產資源分類預測方法及系統(tǒng)，本發(fā)明將研究區(qū)分為礦床區(qū)、成礦遠景區(qū)和背景區(qū)，若成礦遠景區(qū)中存在化探數(shù)據異常的區(qū)域，則能夠間接說明該區(qū)域具有較高的礦化概率且表現(xiàn)出與已知礦床的化探數(shù)據特征相似性更高。利用深度學習的方式來分析并確定成礦遠景區(qū)內化探數(shù)據異常的區(qū)域，然后將已知礦床區(qū)和所得化探異常區(qū)兩者的空間數(shù)據特征視為神經網絡的學習對象，用于習得化探數(shù)據與礦化之間的客觀規(guī)律。為了防止神經網絡對背景區(qū)的空間數(shù)據特征過擬合等問題，引入損失權重和懲罰損失對傳統(tǒng)的交叉熵損失函數(shù)做出改進。本發(fā)明能夠在較少的礦靶區(qū)地球化學數(shù)據中找出礦化規(guī)律以在新的地球化學數(shù)據中預測礦化概率。