O objeto dessa pesquisa compreende a modelagem da favorabilidade mineral para ouro relacionado a intrusões na porção central da Província Mineral do Tapajós (PMT), na região sudoeste do Pará. O escopo do estudo abrange a experimentação e avaliação de métodos knowledge e data-driven aplicados a dados multifonte visando a predição de alvos potenciais para a ocorrência de mineralização aurífera, considerando os fatores críticos do sistema mineral abordado e as características da mineralização conhecida. O processamento de dados aerogamaespectrométricos permitiu a identificação de uma assinatura de alteração hidrotermal comum aos sítios de mineralização aurífera, fornecendo informação em regiões com pouco ou nenhum dado de campo. A análise de dados aeromagnetométricos realçados por filtro de continuação ascendente permitiu a identificação de zonas de alta resposta magnética associada a estes depósitos, provavelmente relacionadas ao transporte dos fluidos hidrotermais. Feições lineares extraídas de imagens de radar revelaram a predominância de feições de direção geral NNWSSE, que coadunam com o principal controle estrutural dos depósitos nesta região. Os dados gamaespectrométricos, magnetométricos e topográficos analisados foram integrados pela aplicação de três técnicas de modelamento de favorabilidade - Lógica Fuzzy (knowledge-driven), Lógica Bayesiana (ou Pesos de Evidência; data-driven) e outra baseada em algoritmo de machine learning (data-driven) - resultando na concepção de três modelos prospectivos para a área estudada. O modelo Fuzzy resultou na indicação de alvos de maneira mais efetiva e setorizada, principalmente na porção leste da área, refletindo proporcionalmente o panorama de disponibilidade dos dados e mapeando razoavelmente bem as áreas de conhecida ocorrência de mineralização. No entanto, alguns depósitos não foram mapeados pelo modelo, ou tiveram escores de favorabilidade baixos. Ainda assim, sua validação indicou confiança no grau de aleatoriedade explorado para mapear o evento mineralizador. O modelo Bayesiano indicou zonas de maior potencial distribuídas regularmente na área, com geometria alongada em direções compatíveis com os trends estruturais prospectivos, mapeando a maioria dos depósitos conhecidos nas zonas de maior probabilidade. O algoritmo de machine learning foi mais preciso em indicar como prospectivas as áreas de depósitos conhecidos. Em todos os modelos, as regiões indicadas como prospectivas coincidem, em sua maioria, com os depósitos mais expressivos, como São Jorge e Tocantinzinho. Os resultados obtidos nos modelos foram combinados para gerar um mapa de concordância, onde se mapeou a sobreposição das maiores pontuações prospectivas dos mesmos, com a indicação de novas zonas de interesse prospectivo na porção central da PMT.