随着煤矿开采的深层次化推进,煤与瓦斯突出等瓦斯灾害的危险程度也趋于严重化,严重地制约着煤矿安全持续发展,高效可靠的预测预警技术是提升煤矿防治瓦斯灾害能力的关键和基础。利用智能优化算法和机器学习算法等人工智能算法,对煤矿瓦斯灾害预测预警方法展开深入研究。针对煤与瓦斯突出灾害的复杂性、非线性和不确定性特征,提出了核主成分分析与ISSA-LSSVM的煤与瓦斯突出预测模型。在分析煤与瓦斯突出发生条件、过程和多种因素致突相关性的基础上,按照相关规程中的科学性原则,建立了指导突出预测的指标体系。在保留预测指标信息有效量的前提下,引入核主成分分析方法对多维指标数据进行维数约简。选用在非线性、小样本问题上性能优秀的最小二乘支持向量机作为基础预测算法,引入麻雀搜索算法对其关键参数进行优化。针对麻雀搜索算法易陷入局部最优、收敛速度慢等不足,提出一种融合精英混沌反向学习策略、随机跟随策略和柯西-高斯变异策略的改进麻雀搜索算法。对10个不同特征的基准测试函数进行寻优,测试结果与Wilcoxon符号秩检验结果均验证了改进算法的优秀寻优能力。通过工程实例对突出预测模型进行验证,该模型和其他模型相比具有更高的预测精度,能够实现对煤与瓦斯突出危险性的准确预测。为了提高瓦斯浓度预测精度和预警效率,提出了变模态分解与ISSA-LSSVM的瓦斯浓度预测预警方法。对瓦斯浓度时间序列进行变模态分解处理,以最小化其他噪声对监测数据的影响。经分解后的瓦斯浓度多分量作为ISSA-LSSVM模型的输入,分别对多分量进行回归预测后融合重构,得到瓦斯浓度的预测值。预警方法基于瓦斯浓度的预测值和矿井实际监测数据的统计分析,选取预警指标后根据不同的危险程度划分预警等级。通过工程实例进行行验证,结果表明瓦斯浓度预测模型具有较好的非线性数据的拟合能力,为之后的预警奠定了坚实的基础;验证了瓦斯浓度预警方法的有效性和实用性,为瓦斯灾害的防治提供了理论方法支持和决策性辅助。该论文有图31幅,表23个,参考文献126篇。