瓦斯是煤矿里比较严重的安全隐患之一。瓦斯准确检测保证煤矿安全和正常运行有着重要意义。由于矿井下的环境十分复杂,存在各种各样的干扰。甲烷传感器采集过程中的信号容易被矿井下电磁环境污染而产生大数干扰,大数干扰导致煤矿瓦斯监测系统产生错误的报警,给煤矿带来许多危害。为了解决由大数干扰造成的煤矿瓦斯误报警问题,本文首先通过分析了大数干扰形成的原因,随后对煤矿里的正常信号和大数干扰信号的特征进行分析比较。利用免疫算法的识别能力强的优点设计了一种大数干扰识别模型。该模型主要通过学习煤矿瓦斯里的正常信号和大数干扰信号的特征,并且把学习中的免疫疫苗提取出来,用来提升识别大数干扰信号的正确性。其次是要把识别出来的大数干扰滤除,对自适应滤波器研究发现在噪声滤除方面有很好的效果,因此本文尝试提出一种基于最小均方差(LMS)算法的自适应滤波器把煤矿中的大数干扰滤除。并且通过引入遗忘因子和余弦函数来改进LMS算法,仿真结果表明余弦函数改进LMS算法在收敛速率、稳定性和滤除干扰等性能效果更好。最后通过自适应免疫遗传算法对余弦函数改进LMS算法里的参数进行优化,并且利用寻优能力强的优点寻找出最佳步长因子设计一个自适应滤波器来滤除大数干扰信号。为了验证大数干扰识别模型是否有效,其方法是将采集到的数据直接用LMS自适应滤波器进行滤除,将处理后得到的波形与原始瓦斯浓度波形进行对比,然后再把原始数据通过干扰识别模型识别后用LMS自适应滤波器进行滤波,滤波后的波形与原始瓦斯浓度波形再进行对比。对以上两种仿真结果进行对比,表明了免疫识别模型的有效性。然后是验证LMS自适应滤波器对大数干扰信号的滤除效果,将原始数据通过干扰识别模型后分别利用巴特沃斯滤波器滤波和连续均值剔除干扰(CME)算法滤波,将滤波后的波形与本文设计的滤波方法进行波形对比分析,表明本文方法对瓦斯里的大数干扰信号滤除效果较好。