工作面瓦斯涌出量关系到煤矿的通风设计指标，更是影响工人生命安全的关键因素，因此对瓦斯涌出量进行精确预测对加强煤矿安全有重要意义。由于影响瓦斯涌出量间的因素呈现出动态、模糊的非线性动力变化过程，导致传统线性预测方法建立的预测模型精度很难满足实际现场要求。本文在对国内外瓦斯涌出量研究现状做出简单介绍，并简单总结了现有一些预测方法后，提出了使用改进的蚁群算法和小波神经网络相结合的算法来建立瓦斯涌出量预测模型。论文首先分析了小波神经网络的基本理论以及网络的分类和结构特点，针对该神经网络收敛精度低，易陷入局部极值的缺点，提出使用蚁群算法来对其改进。紧接着分析了基本蚁群算法的运行机理，以及各参数对收敛性能的影响，针对算法仍然容易收敛到局部最优的问题，论文在引入最大最小蚁群算法的基础上，对蚂蚁寻优路径进行信息素轨迹平滑处理，并引入扰动因子和惩罚因子来解决算法的局部收敛和收敛速度慢的问题，将其应用在解决TSP问题上，表现出良好的求解质量。然后将改进的蚁群算法HI-MMAS和小波神经网络相结合，采用预测智能控制思想建立预测模型，并利用监测的煤矿历史数据进行仿真，实验结果表明本文所提模型的预测精度和传统BP算法、基本蚁群算法等神经网络模型相比，具有更快的收敛速度，更高的收敛精度，鲁棒性更强等特点，从而为解决煤矿瓦斯涌出量预测问题提供了一个很好的思路。