论文在矿体品位估值方法均有不足的背景下，主要研究运用支持向量机相关算法建立矿体空间品位估值模型，用以对矿石品位进行估值。并通过与自组织特征映射神经网(SOFM)结合解决在矿石品位估值中的“丛聚效应”等问题。　　 首先，论文对海量原始数据进行处理，形成空间点数据，从中抽取出空间三维坐标和品位值，构成样本集；并结合SOFM对样本集进行聚类，分区域对样本进行清洗，减少样本的聚集，以使样本均匀分布，从而建立样本集。　　 其次，为避免样品属性值大小的不同对算法构造函数的影响，应用最大一最小规范化方法对样品属性进行归一化变换。　　 再次，实现支持向量回归机算法，建立矿体品位估值模型。论文合理选取适合样本内在特性的核函数，应用留一交叉验证法选取惩罚因子C和不敏感值ε值等模型参数。运用支持向量回归机算法对训练样本进行迭代计算，构造最优的决策函数，得出估值模型。并应用其对程潮铁矿东区数据进行矿石品位估算。　　 最后，将基于支持向量机的估值结果与泰森多边形法、距离幂次反比法、克立格法三种较为常用的插值方法得出的品位估值进行储量计算并对比，从而验证基于支持向量机的估值模型的可行性与有效性。