煤矿安全生产是一个综合人力条件、管理设施和地质等自然环境条件共存的非线性动态系统,它的变化虽有一定的规律性,但同时也会受到经济、环境等许多因素的影响。不同的影响因素、影响方式,就会造成不同程度的事故发生,这就使得对井下预测的准确性变得更加困难。尽管如此,许多学者仍在坚持不懈地从不同的理论、不同的方式和不同的实践中提出各种可能的预测方法。传统的瓦斯预测方法在实际应用过程中面临很多挑战,而神经网络具有学习能力、自适应等特点,能动态地从历史数据中提取井下瓦斯等因素的知识特征,因此更加适合于解决瓦斯预警系统中的一些问题。但是,传统的BP网络在应用到瓦斯预测的过程中,常常单一地考虑某一因素的影响,预测的精度不是很准确。如果在BP网络的输入矢量中人为的加入其它因素矢量,会因数据量过大,而导致模型训练负担大,训练速度慢,效果也不好。所以,本文提出一种基于商空间的构造性网络CA-BP,即覆盖算法与BP网络相结合的预测方法。首先,在商空间理论的基础上,利用灰色关联理论的思想,对瓦斯预测中的许多因素进行分析,并确定描述瓦斯浓度趋势影响因素之间的关联性。然后,利用CA-BP模型,对瓦斯浓度影响因素进行趋势的预测,并与BP模型进行结果对比分析。本文的工作内容主要分以下几部分：1、在商空间理论的基础上,利用灰色关联度算法的思想,提取到可以描述影响瓦斯浓度的特征知识,从许多的影响因素中提取出了有效的输入变量。这样一来,既可以选出了主要变量,又排除了不重要的变量。2、介绍传统的BP预测模型的建模方法,依据历史数据建立网络预测模型,利用专家经验公式确定了网络预测模型的中间层节点数目。再针对以上模型的缺陷,提出了CA-BP模型,并采用了粒度计算中的商空间理论,分粒度、分层次来考虑问题。3、对山西省的某一矿井瓦斯浓度进行预测,结果对比分析表明,将本文提出的方法应用到此矿井,对瓦斯浓度的预测是可行并有效的。