本文对集成ISGNN信息融合方法及其在煤矿瓦斯监测中的应用进行了研究。主要内容包括： (1) 提出了一种迭代自生成神经网络 ISGNN算法。ISGNN传统自生成神经网络 SGNN算法进行了两点改进：一是改变 SGNT的优化顺序，使SGNT 的优化成为一个迭代优化过程；二是在迭代优化过程中，对SGNT进行剪枝。实验结果表明：ISGNN 较 SGNN 减少了SGNT 的节点数目，降低了预测时间，提高了分类精度。同时，在训练时间上ISGNN也略小于SGNN。 (2)提出了一种集成迭代自生成神经网络 EISGNN。EISGNN将集成学习思想与ISGNN相结合。采用抽样技术，选择数量少且能够反映训练样本集特征的样本训练多个ISGNN，最后将多个分类结果融合，从而得出最终的分类结果。实验表明：EISGNN较ISGNN提高了分类精度，减少了训练时间。 (3)将EISGNN应用于煤矿瓦斯监测中，解决异常瓦斯采样数据检测、遗失瓦斯采样数据估计和不完整信息的异常瓦斯数据检测三个问题。实验数据选自陕西韩城象山煤矿真实瓦斯采样数据，与ISGNN方法作性能对比实验，实验结果表明：EISGNN对解决异常瓦斯采样数据检测和遗失瓦斯采样数据估计两个问题的性能比ISGNN好，是一种行之有效且具有研究价值的方法。但在解决不完整信息的煤矿异常数据检测中，ISGNN的性能比EISGNN好。