煤与瓦斯突出是制约煤矿安全生产的严重自然灾害之一。鉴于目前其影响因素众多而突出机理尚未彻底研究清楚、突出灾害却日益加剧的现实状况,本文研究了免疫算法及网络模型在瓦斯突出预测中的应用。免疫算法是抽取了生物免疫系统独有的自适应、自组织、多样性、免疫记忆等进化学习机理形成的新信息处理技术,是计算智能领域继人工神经网络和进化计算之后的又一个研究热点。应用关联规则挖掘技术对瓦斯监测数据进行分析,可以找出瓦斯监测数据与其影响因素之间的关联特性,从而确定影响煤与瓦斯突出的主要因素。基于瓦斯监测这类大型数据库,关联规则挖掘需要在挖掘效率、可用性、精确性等方面得到提升,提出了浓度抑制克隆选择算法CRCSA。CRCSA将浓度抑制和二次应答引入克隆选择算法,同时引用记忆机制,将抗体分为记忆单元和普通单元,对记忆单元和普通单元采用不同的变异策略,提高其向最优解的进化速度,加入随机产生和经过过度变异的抗体,以保持抗体种群的多样性。将CRCSA应用到关联规则挖掘中,设计了基于CRCSA的关联规则挖掘算法,并应用到煤与瓦斯突出预测中。针对aiNET网络模型对抑制阈值非常敏感的缺陷,设计了距离浓度自适应aiNET网络模型DCAaiNET,并对DCAaiNET模型的网络学习算法进行了收敛性分析。DCAaiNET模型采用基于距离浓度的抗体选择和抑制机制,以便在鼓励适应度高抗体的同时,限制浓度较高的抗体,增强群体的多样性,并减少参数特别是抑制阈值对模型的影响。从而使DCAaiNET模型达到降低计算成本,加快模型的收敛速度,减少人为主观因素的影响。将DCAaiNET模型用于聚类分析,算法的平均运行时间最短,平均迭代次数最少,且聚类的准确率最高。提出了混沌免疫优化算法CIOA。CIOA结合了免疫算法和混沌优化算法各自的空间搜索优势,通过混沌变异算子引入新的“变种”,通过免疫选择算子实现“优胜劣汰”。算法能保持较好的多样性,同时具有较高的收敛速度及避免陷入局部最优。应用CIOA算法对RBF网络进行优化,能够对非线性时间序列进行有效的预测,且预测精度较传统的预测模型有一定的提高。最后将其应用于瓦斯突出的非线性时间序列预测,并且取得满意的效果。开发了基于人工免疫的瓦斯突出预测原型系统。将瓦斯突出预测原型系统进行实际应用,通过对井下工作面瓦斯涌出量相关影响因素的聚类和关联规则挖掘,发现埋藏深度、构造煤厚、瓦斯含量等因素对瓦斯突出的影响;通过构造用于瓦斯涌出量时间序列预测的RBF网络,实现了对瓦斯涌出量的预测。预测结果与现场实际吻合较好。