近几年，由于煤炭的大量开采，煤矿的突水事故频繁发生，给人民的生命财产带来了危害，因此对煤矿地下水位预测的研究有着实际意义。煤矿地下水位预测是一个具有影响因素繁多、高度非线性、以及时间序列特点等的问题，本论文采用支持向量机对煤矿地下水位进行预测。 支持向量机是由V.Vapnik等九十年代提出的一种学习技术，是借助于最优化方法解决机器学习问题的新工具。支持向量机是机器学习领域若干标准技术的集大成者，它集成了最大间隔超平面、Mercer核、凸二次规划、稀疏解和松弛变量等多项技术，在若干挑战性的应用中，获得了目前为止最好的性能。 首先，本论文阐述了支持向量机思想的理论基础：统计学习理论。重点介绍了统计学习理论的三个核心概念：VC维、推广能力的界和结构风险最小化。并且分别详尽的阐述了支持向量分类和支持向量回归的理论思想、计算步骤和优化算法。 其次，在对支持向量机的多项技术进行深入分析和比较之后，确定了适合煤矿地下水位预测所需的各项技术，并对其进行了必要的理论说明。 最后，采用支持向量机为煤矿地下水位预测过程建立模型，分析了模型参数对预测模型性能的影响，并根据所选煤矿区域的自然地理和水文地质情况，确定预测的输入因子和输出因子，选取了合适的核函数及其参数。预测实验采用Matlab6.0作为开发工具，按照煤矿地下水位预测流程进行预测，并得到了较好的预测结果。