斑岩型铜矿床的成矿构造环境判别是解密成矿动力学和成矿机制的关键，因而备受关注。前人提出了三种经典的斑岩铜矿成矿环境，分别是大陆弧、岛弧和碰撞相关环境。然而，因为后续地质事件对矿床的改造，一些较古老矿床的成矿环境会与经典成矿模式存在差别，造成成矿环境具有争议性，如德兴斑岩铜矿，故需要一种新方法来判断成矿环境。本研究利用半监督随机森林对斑岩铜矿进行自动分类，选择锆石中常被检测的微量元素为特征变量，并根据模型结果找到数据背后影响分类的主要元素。标签数据来自各成矿环境的典型矿床，无标签数据来自混合成矿环境矿床。半监督随机森林可以模仿通常使用的“类比”判断成矿环境的方法，训练数据分为标签数据和无标签数据，在训练的每次迭代过程中，随机森林首先训练标签数据，再对无标签数据贴上伪标签，其后选择置信度阈值之上的伪标签数据补充到标签数据中。结果上，机器学习结果显示准确率可达85%，Th, U, Ce, Hf和Lu依次是特征重要性得分排前五的元素，(Th+U)/Yb vs Ce/Lu判别图可用于斑岩铜矿成矿环境的判别，机器学习模型和(Th+U)/Yb vs Ce/Lu判别图将具有争议的德兴和萝卜岭斑岩铜矿归类为碰撞相关。本文创新地将半监督随机森林用于判断斑岩铜矿成矿环境，模仿传统判断成矿环境的方法——类比经典矿床模型，既增加了数据量，又可以避免训练数据不典型而造成的误差，提高了模型的泛化能力。

斑岩铜矿；半监督随机森林；成矿环境