随着煤炭开采深度的持续增加,因矿井围岩应力增高而造成的煤炭生产事故发生强度和频度也不断增加,严重威胁着煤炭安全生产。因此,为了避免此类事故的发生,必须要对围岩应力采取必要的监测预警手段,从而保障矿井安全高效生产。论文针对矿井围岩应力监测数据分析中存在的可靠性低、预测精度不满足现场需求的问题,基于深度学习的理论对矿井围岩应力预测方法展开研究,主要研究内容如下:（1）提出了基于多传感器支持度与自适应加权的围岩应力融合算法SDAWS（data fusion algorithm of surrounding rock stress based on support degree and adaptive weighted）。该算法针对矿井围岩应力监测数据来源多、数据可靠性低的问题,将多个位置的工作面支架阻力进行数据融合。通过长短期记忆网络模型分别对经过SDAWS算法融合前后的围岩应力数据进行预测,实验结果表明:相对于未融合的数据,经过SDAWS算法融合后的围岩应力数据进行预测,在训练集和测试集的均方误差分别降低了31.16%,33.77%。（2）提出 了基于 Attention-CNN-HN（Highway Network Integrated with Attention mechanism and Convolutional Neural Network）的矿井围岩应力预测方法。构建基于highway神经网络的围岩应力预测模型,采用均方误差做损失函数,确定模型的超参数。采用CNN自动提取围岩应力的特征信息,再将提取特征输入到attention层,为不同的输入特征分配相应的权重。然后应用highway神经网络对围岩应力进行时序性数据预测。实验结果表明:相对于 Attention-CNN-LSTM和 Attention-CNN-GRU 两种模型,Attention-CNN-HN在测试集上的均方误差分别降低了 37.06%,12.17%,且运行效率分别提高了17.36%,5.85%。（3）采用面向对象的思想,在JAVA平台下,基于SDAWS围岩应力融合算法与Attention-CNN-HN矿井围岩应力预测模型,设计并实现了矿井围岩应力预警系统。系统具有动态围岩应力监测、数据统计查询、围岩应力预警、系统设置四个功能。通过对系统的分析、设计、实现、测试等多个环节,实现了系统的应用。系统达到了界面美观、操作简便的目标。现场应用效果表明:系统具有较好的应用价值,为井下安全生产提供了良好保障。