在矿井中,两相流中的两相即易燃易爆气体和煤粉颗粒给井下工作人员的生命健康和安全带来极大威胁。因此,排除井下空气中煤粉颗粒的干扰实现高效、快速以及实时的矿井气体在线检测,对于井下作业人员的生命安全和防止瓦斯爆炸事故的发生都有重要意义。本文模拟矿井中气固两相流的真实环境,搭建了气体红外光谱数据的采集系统,采集了五种极性矿井气体的红外光谱数据,包括二氧化碳（CO₂）、甲烷（CH₄）、乙烷（C₂H₆）、丙烷（C₃H₈）和丁烷(C₄H₁₀),利用小波变换对采集到的原始光谱数据进行降噪处理,然后采用两种特征提取方法即峰值提取法（PEM）和主成分分析法（PCA）对降噪后的数据进行特征提取和降维,然后建立支持向量机（SVM）及其改进模型和极限学习机（ELM）及其改进模型,以甲烷（CH₄）为例,采用不同参数寻优方法,对SVM模型的预测精度进行分析,确定利用PSO算法对SVM的惩罚参数c和核函数参数g进行寻优,建立基于PSO算法的改进PEM-SVM模型和改进PCA-SVM模型。结果表明,在预测C₂H₆、C₃H₈和C₄H₁₀三种低浓度气体时,改进PEM-SVM模型的预测精度较高,在预测CH₄和CO₂两种高浓度气体时,改进PCA-SVM模型预测的精度较高,最后整合两个模型的优点,建立了PEM-PCA-SVM集成模型。同时,也建立了基于D-ELM的矿井下气固两相流中气体组分的定量分析模型,即PEM-D-ELM模型和PCA-D-ELM模型,并整合了两个模型的优势,建立了集成PEM-PCA-ELM模型。使用测试集样本对PEM-PCA-ELM模型进行测试验证并和PEM-PCA-SVM模型进行比较,发现PEM-PCA-ELM建模速度较快,但在预测精度方面不及PEM-PCA-SVM模型。