瓦斯灾害一直是威胁我国煤炭开采过程中安全生产的重要因素之一。瓦斯的潜在影响随着煤层开采深度的增加变得更加显著。回采工作面瓦斯涌出量是矿井瓦斯防治及通风设计的重要依据,准确的对其进行预测能够有效防止多种瓦斯灾害的发生。因此加强瓦斯涌出量预测方法及技术的研究,提高瓦斯涌出量预测的精度,对改善提高煤炭安全生产具有积极地现实意义。瓦斯涌出量受到多个因素影响,多元线性回归分析能够确定瓦斯涌出量及其影响因素的数学解析式,利用解析式不仅能够根据一个或几个变量的数值预测或控制另一个变量而且能够进行影响因素分析从而确定哪些是重要因素,哪些是次要因素；然而瓦斯涌出量受多种因素制约,是一个灰色、非线性、复杂的动力学系统,单一线性回归分析不能很好的反应其非线性部分,神经网络具有很强的非线性逼近能力,能够很好的预测回采工作面瓦斯涌出量非线性部分。RBF神经网络结构简单,训练速度快,是一种高效的前馈式神经网络,具有其他前向网络所不具备的全局最优特性和最佳逼近性能。RBF神经网络还能克服BP网络学习时收敛时间过长,易陷入局部最小等问题。为了综合利用上述两种模型的优点,更好预测瓦斯涌出量,提出了一种多元回归分析残差RBF神经网络修正模型。首先利用数据样本建立瓦斯涌出量多元线性回归分模型,并用该模型对瓦斯涌出量进行初步预测,计算预测结果与实际瓦斯涌出量的残差；然后以残差为因变量,瓦斯涌出量影响因素原始数据为自变量,利用RBF神经网络对残差进行拟合预测；最后利用RBF残差的预测结果对瓦斯涌出量预测结果进行补偿修正。在SPSS19.0环境下,利用该模型进行实际预测,预测结果精度有了较大提高,结果表明：利用RBF神经网络对多元回归分析型进行补偿,将线性拟合算法和非线性拟合算法结合起来用于瓦斯涌出量预测是一种较为优越的算法。