我国是一个煤炭大国,大中小型煤矿星罗棋布,为国民经济的发展提供了有力的能源支持。但是长期以来,煤炭生产一直被安全问题所困扰。在煤矿安全灾害中,煤矿水害与瓦斯并列其首,目前随着井下通风设施的完善,煤矿发生瓦斯事故的概率已经大大降低了,但是煤矿水害事故还是频频发生,给矿工的生命安全和煤矿的经济效益带来极大威胁。造成煤矿水害事故发生的原因是多样的,然而现有的技术往往只能检测到某一个信息,不能将所有的信息在同一时刻进行技术处理,也就不能及时采取措施或者及时报警,从而造成了大量的人员和财产损失。针对煤矿井下突水预测技术还不完善的情况,本文提出了一种将多传感器数据融合技术应用于煤矿井下水害预测的设计方案,主要论述了多传感器数据融合的一般原理、发展、应用领域,介绍了D-S证据理论和BP神经网络融合算法,并分别将它们应用于煤矿水害预测中,最后为了改善D-S证据理论和BP神经网络,提高融合结果的准确性,引入了改进型的D-S证据理论和BP神经网络算法,并最终提出一种将D-S证据理论和神经网络相结合的两级融合算法。通过对比分析,最初考虑使用多传感器信息融合技术的决策级融合方法来进行对煤矿井下安全状态的预测,过程是:首先,先确定具体的融合算法,通过对决策级融合几种方法的对比,最终选择使用D-S证据理论作为主要融合算法,对其融合算法及融合具体过程进行了详细介绍,并进行了具体数据的计算。由于D-S要求各个证据源相互独立,而且其基本概率分配函数难以获得,所以考虑使用神经网络信息融合算法进行融合,神经网络包括我们所熟悉的反向传播网络、自组织特征映射Kohonen网络、Hopfield网络等,通过对比最终选择了目前使用最为广泛、最为熟悉的BP神经网络,对其学习过程及各参数的选择方法进行了介绍,并使用MATLAB软件对具体数据进行了训练。最后根据以上两种算法在融合过程中所出现的不足引入改进型的D-S证据理论及BP神经网络算法,并提出了一种将它们相结合的两级融合算法,即通过不同传感器信息的有效组合,对传感器信号采用不同的子神经网络进行训练,把每一个子神经网络的输出结果进行归一化处理,将它们作为证据理论各状态的基本概率分配函数,再用D-S证据理论融合各个证据信息,得出最后结论。通过对以上三种方法的融合结果进行分析对比,得出结论:单独使用D-S证据理论以及单独使用神经网络技术能够实现对井下安全状态的判断,但是它们准确性较低、不确定性稍高,而两级融合方法所计算出的结果准确性高、不确定性低。信息融合作为近年来兴起的一门新学科,在许多领域得到了广泛的研究和应用,在煤矿水害预测中的应用研究尚处于起步阶段。本文将信息融合技术引入煤矿水害预测中,借鉴了信息融合的思想和理论,建立了煤矿水害预测的一般框架,相信这一技术会在煤矿领域得到进一步推广。