近年来，斑岩型铜成矿潜力评价在矿产资源预测中收到广泛关注。目前常用的传统评价方法为元素图解法，但该方法存在识别误差大的问题。本文提出了一种多元素联合的侵入体成矿潜力评价方法，从磷灰石的微量元素有助于识别斑岩体系中成矿侵入体出发，构建磷灰石微量元素数据库，数据来源于中国、加拿大和哈萨克斯坦的21个典型斑岩型铜矿床。本文使用随机森林、支持向量机、逻辑回归和人工神经网络四种机器学习方法，选择V、Mn、Sr等17个微量元素数据作为模型训练输入，对斑岩型铜成矿侵入体进行识别，实现成矿潜力评价。结果表明，本文提出的多元素联合评价方法相较于元素图解法，误差更小，识别效果更好。对比四种机器学习方法，随机森林的预测准确率（99%）和AUC值（1.00）要优于其他三种机器学习算法。进一步分析特征重要性发现，对模型贡献大的元素有La、Pr、Sr、Eu、Nd和Ce，进一步验证了磷灰石在成矿中的指示作用。高准确率的实验结果表明，机器学习算法在斑岩型铜成矿潜力评价中具有一定的优越性和应用前景，可以为矿产资源预测提供新思路。

磷灰石,微量元素,成矿潜力,机器学习,斑岩型铜矿