煤矿企业在原煤开采过程中，所消耗的材料种类繁多，数量巨大，材料成本一般约占总成本的20%，直接成本的35%。同时，煤矿材料投入也是最具可控性的项目，通过准确预测材料成本，有效控制材料消耗，可降低原煤生产成本，提高煤矿企业的竞争力。材料成本预测应该以科学的数学模型为依据，减少人为主观因素对定额、指标分解等的影响。加之管理信息系统、数据库技术在煤矿企业的不断应用，数据库中积累了大量的材料消耗历史数据。通过将数据挖掘技术引入煤矿的材料成本预测，充分发挥一手数据的价值，对长期积累的材料成本数据进行挖掘，发现隐藏在数据背后的知识，为材料成本的管理提供决策依据，以提高煤矿企业的材料成本管理水平。围绕这个主题，论文进行了以下研究。首先，本文对煤矿材料成本管理、数据挖掘技术、数据挖掘在煤矿的研究、数据挖掘在成本管理方面的研究等方面的国内外文献进行了综述。对数据挖掘的概念、任务、过程和方法分别作了介绍，并阐述了数据挖掘技术相比传统的统计学方法的优点。然后，对煤矿材料成本的构成、特点、管理现状、预测中存在的问题进行了分析。在此基础上，对影响煤矿材料成本的众多因素进行归纳总结，结合材料成本预测原则，对影响因素进行量化，建立基于结构方程模型的煤矿材料成本影响因素分析模型，得出本文用于煤矿材料成本预测的影响因素，主要包括产量、进尺、赋存地质条件、万吨掘进率、机械化程度、设备技术水平，为构建煤矿材料成本预测模型的输入输出变量提供依据。接着，本文分析了支持向量机的学习规则和训练过程，引进先进的粒子群（PSO）优化算法对支持向量机的参数进行优化，构建基于粒子群优化的支持向量回归机（PSO-SVR）煤矿材料成本预测模型。按照基于数据挖掘的煤矿材料成本预测过程模型，对某矿的实际生产数据进行数据的预处理，以便进一步的数据挖掘。在预测过程中，分别对材料总成本以及占较大比重的大型材料成本和支护材料成本进行预测分析，并将预测结果与实际值进行拟合与相对误差检验，预测效果较好，给出新的预测值。最后，在相关煤矿材料成本预测的基础上，从材料需求计划和采购计划的制定、材料成本控制、材料成本管理信息化等方面提出煤矿材料成本管理的政策建议。