由于冲击地压的发生受矿井地质条件、开采方法等多种因素的耦合控制,使得冲击地压发生的机理变得复杂,造成难以监测和预测分析,目前还缺乏能够统筹考虑多种因素、推广能力强的冲击危险性综合预测方法。本文采用基于煤矿多源大数据的机器学习方法,利用山东某煤矿开采工作面的地质资料、监测数据、煤层开采数据和高能量矿震记录,对冲击地压发生的影响因素和特征规律进行总结分析,开展基于机器学习的冲击危险性综合预测方法研究,通过建立矿震强度、冲击危险性等级、冲击地压类型等相关预测问题的分析模型,为煤矿开采过程中冲击地压的科学监测、预测与防治提供新的方法和途径。论文的主要研究成果如下:1.针对冲击地压的突发性以及前兆信息监测分析困难等问题,利用微震监测、地音监测、煤粉监测、巷道应力监测、工作面支架阻力监测等数据,分析影响煤矿冲击地压发生的主要因素,并将这些因素划分为地质因素和生产因素,从开采地质条件和监测数据两个方面分析了与冲击地压的关系,确定预测判别的指标因子,并根据预测方法所依据指标因子的数据类型为离散或时间连续,将预测方法分为静态预测和动态预测。2.根据工作面的开采地质因素,建立了基于贝叶斯决策理论的冲击危险性等级预测模型。分别采用贝叶斯判别分析和贝叶斯网络推理两种算法对冲击危险性等级进行预测划分,实现静态预测,探讨不同影响因素的权重,为冲击地压预测研究提供新的量化方法和分析途径。3.实现对冲击地压发生时矿震强度的准确预测。将工作面煤粉监测、巷道应力监测、工作面支架阻力监测等与冲击地压相关的监测数据,作为预测的判别因子,矿震监测的震级作为实际结果,建立矿震震级预测模型。考虑影响因素和适用条件的不同,分别采用径向基神经网络和多层感知器神经网络对矿震震级进行预测划分,取得了较为准确的结果。4.利用微震监测信号时频分布特征,提出了门限单元循环神经网络深度学习模型（GRU-RNN）。该模型的输入为时间连续的多通道微震监测信号,在机制上可隐式提取微震信号的形态分布、幅值及频谱特征,实现对冲击诱因的判别分析。针对冲击危险性等级动态预测问题,建立了基于连续多通道微震监测信号和地音监测信号的深度受限玻尔兹曼机过程神经网络模型（DRBM-PNN）。两种深度学习模型可改善现有方法对不同类别信号综合特征的区分度,在机制上对动态预测问题具有良好的适用性。5.针对矿井地质、开采生产和安全监测中多源时序数据相融合的冲击危险性动态预测问题,建立了一种动态模糊推理神经网络。该模型将模糊逻辑推理和神经网络对信号特征的学习机制相结合,基于模糊集和隶属度函数表示领域知识,自适应建立基于多源过程信号样本集的推理逻辑和模糊判别规则,可有效融合多源过程信息及先验知识,并适用小样本集情况下的建模预测分析。在上述研究的基础上,在山东某煤矿1412开采工作面进行冲击危险性综合预测的实际应用,取得了较为准确的预测结果。