地球化学数据是矿产资源勘查中运用的重要资料之一,地球化学异常识别勘查地球化学工作中的核心内容。近些年来,学者们提出了各种地球化学方法求取异常下限。传统的求取异常下限方法主要是基于传统统计学原理,假设地球化学数据服从正态分布或对数正态分布为前提,本文选择孤立森林算法构建地球化学异常识别模型,不需要原始数据满足某种条件,直接分离异常点。本文构建的孤立森林模型从单元素和多元素两个方面展开对研究区的异常识别。单元素异常识别中,考虑原始数据可能存在的无效值或高值影响模型的效果,对数据进行预处理后选取成矿指示元素,利用约登指数选取最佳阈值来识别地球化学异常。以吉林省抚松地区的1:20万土壤地球化学数据为例,针对研究区已知的金属矿点信息选择Fe203、Pb、Zn、Au、Ag作为指示元素识别单元素地球化学异常,并将结果与传统统计学方法进行对比。多元异常识别中,利用约登指数法选取Au、Ag、Cu、Pb、Zn、Hg、Sb七个成矿指示元素组合完成异常识别,并利用ROC曲线分析技术对结果作出预测评价。单元素异常识别方面,从两种方法圈定的异常区域分布范围和异常强度可以发现,基于孤立森林模型下圈定的异常范围基本涵盖了基于传统统计学方法圈定的异常区间,并增强了与指示元素对应的矿化信息之间的关联,实验结果可以直观看到孤立森林模型下的异常识别结果与已知矿化点关联更加紧密,识别效果更好,表明其确定的最佳异常概率图与已知对应的金属矿床点之间具有较强的空间相关关系,识别的高异常概率位置对未知矿化信息具有一定的预测能力。因此,基于孤立森林模型识别的异常区间其他具有高异常概率、但目前未有矿床发现的区域,可以进一步为找矿工作提供方向。其次,由于孤立森林算法的特性,除了正常识别出高值异常以外,孤立森林模型可以识别出除高值异常外的低弱异常,传统统计学方法中往往因异常下限的确定仅识别出高值异常。多元异常识别方面结果表示,通过成矿关联度指标AUC值选取了多个成矿指示元素,利用孤立森林模型完成的多元地球化学异常识别区域与研究区已知的金属矿化点具有较好的关联关系,以ROC曲线分析技术进一步证明其成矿预测效果的有效性。