我国是世界上最大的煤炭生产国和消费国,然而煤矿行业是一个高危行业,煤炭开采过程中,瓦斯涌出会造成窒息甚至爆炸等事故,威胁煤矿安全生产。因此,准确预测矿井瓦斯涌出量对保证煤矿安全生产至关重要。由于神经网络其自组织、自适应、并行化处理等特性,基于神经网络的瓦斯预测方法得到了广泛使用。然而随着新技术,新设备逐步加入煤矿生产,在瓦斯涌出量预测中考虑的因素越来越多。但是输入数据的维数过大,会造成网络规模的剧增,降低网络的泛化能力和收敛性。现有研究中,大多仅考虑部分主要因素且常常忽略影响因素之间存在相关性的问题,预测精度难以保证。本文提出基于主成分分析的BP神经网络,旨在针对复杂的矿井瓦斯涌出量预测问题,使用主成分分析对多变量参数矩阵进行处理,得到能最大程度反映原变量信息且互不相关的较少主成分,使原来的多维问题简化。以得到的主成分作为BP神经网络的输入进行矿井瓦斯涌出量的预测。结合实际案例,设计实验将原始数据分为训练子集和测试子集,验证基于主成分分析的BP神经网络矿井瓦斯涌出量预测模型,在可行性、预测精准性、时间优良性及稳定性等方面的表现。将基于主成分分析的BP神经网络矿井瓦斯涌出量预测模型与主流的BP神经网络模型、RBF神经网络模型进行对比实验,证明了其在预测精度和时间优良性方面表现良好。