我国煤炭资源丰富,煤炭开采量逐年增加,煤炭消费在我国一次能源消费中占有绝对的主导地位,同时,煤炭作为我国能源的基础,其安全问题已经成为我国能源安全的重要内容。但是在安全采矿方面仍存在很多问‘题,据统计,煤与瓦斯突出事故是现在矿难事故的主要方面。安全采矿不仅关系能源安全问题,还关系到到采矿人员安全以及采矿设备安全等各个方面。随着煤矿开采范围的不断扩大,其深度和复杂度也不断增加,传统的预测煤与瓦斯突出方法已经不能满足当前的实际需要,需要在现代化的处理方法基础上,突破传统方法的束缚,快速对煤与瓦斯突出进行准确预测的研究。本文的研究内容主要包括以下几点：1,通过对煤与瓦斯突出机理的研究,综合考虑突出发生的规律、过程以及与之相关的主控因素等方面,在借鉴和学习其他优秀学者研究成果的基础上,明确了煤与瓦斯突出是一种复杂的非线性过程。并从综合方面构建更为全面的煤与瓦斯突出预测模型。2,本文通过采用两个均具有非线性、自主学习、自组织以及并行处理能力的BP及RBF人工神经网络,分别对煤与瓦斯突出预测问题进行了建模。在MATLAB环境下,以预测准确度和收敛速度两个指标为评判准则,对山西某煤矿实测数据进行仿真测试；实验结果表明,RBF神经网络较BP神经网络的预测更快速且结果更准确可靠,在煤与瓦斯突出预测方面更具有实际应用价值。3,在神经网络预测的基础上,探寻适合更广的基于演进算法的粒子群优化算法以及基于统计学方法的最小向量机算法的结合,可以在更广泛的范围内实现多指标、非线性的预测模型构建。这种算法的引入相对于神经网络在参数优化方面和泛化能力方面均有较大的提升。研究表明,PSO-SVM算法在煤与瓦斯突出预测模型方面有较大的应用空间。