近年来，基于深度学习方法的数据驱动矿产远景图已经成为矿产勘探的有利工具。卷积神经网络(CNNs)具有捕获与矿化相关的复杂地质异常的强大能力，在矿产潜力预测领域得到了广泛的应用。然而，由于矿产勘探大数据包含大量的证据层，CNNs需要大量的通道来进行特征提取，这会导致难以提取和学习关键通道特征。本文提出了一种结合注意力和卷积神经网络的矿产潜力预测方法(ATT-CNN)。具体来说，通道注意力层添加在卷积操作后来加强复杂矿产勘探数据中关键通道特征的提取，从而提升特征提取效果和预测精度。以华南地区南岭成矿带W-Sn矿产潜力评价为例，对提出的算法进行验证。为了缓解训练样本的不足，本文使用了两种数据增广方法（滑动窗口和添加随机零噪声）来扩充样本。结果显示ATT-CNN模型的预测准确率(92.949% 和94.872%，分别使用滑动窗口和添加随机零噪声)高于CNN模型(91.667% 和 92.308%)。此外，与CNN模型(0.970和0.964)相比，ATT-CNN模型的AUC值(0.987和0.971)得到提高，表明提出的方法提升了CNN模型的地质泛化能力。与已知矿床位置高度吻合的远景区可以进一步的指导南岭地区W-Sn矿产勘探。

数据驱动模型,矿产远景图,卷积神经网络,注意力模型