Los minerales de alteración hidrotermal, que son importantes como indicadores en la exploración de depósitos de minerales, exhiben picos de absorción diagnósticos en la región del infrarrojo de corta longitud de onda. Proponemos un enfoque para la identificación de minerales de alteración que utiliza un método de aprendizaje profundo y lo comparamos con métodos de identificación convencionales que utilizan cálculos numéricos. Los espectrómetros económicos a menudo tienden a mostrar errores en la dirección de la longitud de onda, incluso después de la calibración de longitud de onda, lo que causa una identificación errónea de los minerales. En este estudio, se aplica el aprendizaje profundo para extraer características de los espectros de reflectancia y eliminar tales errores. Se aplicaron dos métodos típicos de aprendizaje profundo: una red neuronal convolucional y un perceptrón multicapa, a datos de reflectancia espectral, con y sin procesamiento de cociente de casco, y se evaluaron sus tasas de precisión y valores f. Hubo una mejora en la precisión de identificación de minerales cuando se aplicó el procesamiento de cociente de casco a los datos de aprendizaje.