我国是一个煤炭生产大国，而煤与瓦斯突出事故时有发生，从而严重制约着煤矿的生命财产安全。在煤矿的安全生产中，煤矿瓦斯突出危险性预测与防治工作，一直是人们关注的重大科研课题。已有研究表明，煤与瓦斯突出突出机理十分复杂，影响因素众多，预报防治工作难度很大，因此突出预测研究一直是一个热点研究问题。 　　本文将机器学习领域里的“选择性集成”思想引入到煤与瓦斯突出预测研究中，并且与粗糙集理论，神经网络理论等相结合，构建了基于选择性集成学习的煤与瓦斯突出预测研究模型。首先，利用粗糙集理论对煤与瓦斯突出信息进行数据离散化，特征信息提取，删除冗余信息，降低神经网络基学习器学习的复杂性，然后采用基于学习样本扰动的策略训练出多个神经网络基学习器，在定义不同基学习器之间距离的基础上，采用基于改进的K-means 聚类算法对基学习器进行聚类，选择出差异化大的，预测准确率高的基学习器进行选择性集成，生成集成学习器。最后用集成学习器进行煤与瓦斯突出预测，实验结果表明，基于选择性集成学习的煤与瓦斯突出预测模型能够有效弥补单一预测模型预测准确率低，不稳定的缺点。