现代煤矿企业随着工业技术的进步极大的提高了生产力,但是伴随这种快速发展带来的是各种工业事故造成的生产安全问题,安全生产是保障企业经济效益以及员工生命健康的重要条件。煤与瓦斯突出是煤矿生产过程中的一种极其复杂的动力灾害,灾害发生时会破坏井下重要机械设备、扰乱通风系统,严重时甚至会造成大量人员伤亡。煤矿企业虽然针对这一危害建立了严格的规章制度和监控体系,但是由于煤与瓦斯突出受多种因素共同影响且相互之间存在高度非线性关系而难以实现及时精准的预测,如果能解决这一问题,可以在灾害发生前做出相应的防护措施,最大限度的保障井下工作者的生命安全。目前大多数生产企业已积累了一些针对煤与瓦斯突出的监测数据,但是突出灾害有着影响因素众多、机理复杂的特点,且突出本身属于小概率事件,可用于模型训练的突出数据只占总样本的一小部分。本文主要工作如下:针对煤与瓦斯突出预测问题,首先结合文献分析了可能导致突出发生的8个影响因素,采用灰色关联分析法从8个影响因素中选取5个作为下一步突出预测的指标;然后利用筛选出的指标结合样本数据构成预测指标集,将整理好的训练数据集导入神经网络和支持向量机模型分别进行训练和预测;针对样本类不平衡问题引入了过采样算法理论,改进了BSMOTE算法合成新样本以达到平衡数据集的目的;针对训练过程中调参复杂的问题,使用粒子群算法进行参数寻优,最后将改进的粒子群算法与BSMOTE-SVM结合构造组合预测模型PSO-BSMOTE-SVM。使用SVM模型进行预测时,结果显示分类正确率达到了61.90%,而BP神经网络正确率仅为47.62%,结合其它评价指标可以看出支持向量机在小样本条件下的性能表现要明显优于BP神经网络,但是模型训练的结果仍不能达到预测的精度要求;在分析了SVM模型失效原因后引入了BSMOTE算法,并针对其缺点进行了改进,首先通过聚类分析将突出样本分成多个簇,其次在每个簇中综合考虑样本距离、近邻域密度对“疑似噪声点”进行识别、剔除,将剩余样本按信息量进行排序,再通过改进的合成公式合成新样本,仿真结果显示,改进后的BSMOTE-SVM预测模型分类正确率达到了80.95%,可见过采样算法通过改善训练集平衡性大大提升了预测精度;由于BSMOTE-SVM模型计算时很难快速确定准确合适的参数,采用改进的粒子群算法对模型进行参数调优,仿真结果显示,PSO-BSMOTE-SVM预测模型的训练时间缩短至6.241秒,分类正确率达到了92.86%,可以满足煤与瓦斯突出预测问题的精度需求。