当前,我国非煤矿山安全生产形势依然严峻,严重制约了企业的可持续发展,因此,开展矿业生产安全事故风险预警技术研究具有重要的现实意义和理论价值。针对非煤矿山生产安全事故指标选取及量化困难,以及矿山生产安全事故预警模型难以构建的问题,论文进行了理论分析和数值计算研究。提出了一种基于小波变换的矿业事故时间序列预测模型。首先,将训练数据采用小波变换,通过伸缩平移运算对时间序列逐步进行多尺度细化;然后,采用自回归滑动平均（ARMA）模型预测低频信号序列,用分形理论（FT）预测高频信号序列;最后,再将各分序列的预测结果叠加,构建基于小波变换的矿业事故时间序列预测模型。结果表明,测试样本预测结果的平均相对误差为15.13%,且相对误差波动较为平稳。运用灰色关联模型找出与非煤矿山百万吨死亡率关联度最大的前九个指标,并对该模型存在的三处不足提出了改进。将计算待比较数据的绝对差值改为计算变化量的绝对差值,解决无法筛选出呈负相关比较量的不足;通过参数寻优找到一个阈值对关联度进行“奖赏”或“惩罚”,解决初始化处理时只奖不罚的不足;在计算关联度时引入权重值,解决计算关联度时默认每个影响因子权重相同的不足。结果表明,模型改进前,14个初选指标关联度极差的平均值为28%,模型改进后的极差的平均值为38%,扩大了分离度。将最小二乘支持向量机（LSSVM）预测模型应用于非煤矿山百万吨死亡率的预测,并利用遗传算法（GA）、粒子群算法（PSO）和网格搜索算法（GS）优化LSSVM模型的核参数,减少核参数选取的主观性。计算结果表明,对训练样本的预测中PSO算法的平均绝对误差和均方根误差最小,分别为0.0401和0.0154。本模型最终选择了PSO算法作为参数寻优方法,基于PSO优化算法的支持向量机模型对13个测试样本的平均相对误差为0.183251。