开采沉陷预计模型及参数体系是“三下”采煤设计的核心基础理论。准确、可靠的反演概率积分参数是实施精准地表沉陷预计的前提,构建地表下沉预测模型是矿山开采的难点,但对于由开采沉陷引发的地质环境灾害的防治具有重要意义。当前文献表明,已有学者建立了概率积分参数和开采沉陷下沉预计模型,但是仍然存在一些问题:（1）在实测值反演概率积分参数的过程中,标准遗传算法（SGA）求取概率积分参数存在易早熟收敛,后期易陷入局部最优解的缺点。（2）在缺少观测站的矿区的概率积分参数预计过程中,BP神经网络没有考虑概率积分参数的相关性而导致概率积分参数预计的精度的降低,与最终的下沉和水平移动曲线不符合;（3）对于单个下沉点的预测,BP神经网络易陷入局部最优解,同时没有考虑残差而导致精度降低;（4）淮南矿区是高水位矿区,随着矿山开采的进行,水将淹没监测点导致监测点无法测量。支持向量机（SVM）在水下下沉点的预测过程中,单核函数在泛化能力方面较低,同时没有考虑残差而导致精度的降低。针对以上问题,本文进行了一定的研究,主要取得以下结论:（1）利用加权的思想提出了多种群遗传算法（MPGA）来反演概率积分参数。在实测值反演概率积分参数的过程中,为了弥补标准遗传算法（SGA）单个种群求取概率积分参数的早熟收敛,后期易陷入局部最优解的缺点。提出了多种群遗传算法（MPGA）来反演概率积分参数,研究了该算法的准确性与可靠性。模拟实验表明:基于MPGA的概率积分参数反演模型不仅能够准确求取预计参数,而且对于观测站数据中的随机误差和监测点缺失都具有较强的抗干扰能力。朱集东煤矿1222（1）工作面概率积分法求参实验表明:在MPGA只迭代了 57次就收敛,然而SGA迭代了 100次才收敛的情况下,MPGA得出的下沉值和水平移动值的拟合标准差是31 mm,SGA得出的下沉值和水平移动值的拟合标准差是32 mm,表明基于MPGA的求参模型较SGA求参模型在准确性、迭代次数这几个方面有一定的优势。（2）提出了一种新的改进的神经网络概率积分参数预计算法。为了提高对于缺少观测站的淮南矿区的概率积分参数预计的精度,提出了一种新的改进的神经网络概率积分参数预计算法（NIBPNN）,不仅考虑概率积分参数的相关性,同时还考虑概率积分参数的准确性。将全国105个矿作为训练集,4个淮南矿作为测试集,利用以上模型对概率积分法参数进行预计,并且分析模型预计参数的精度、下沉值和水平移动值的中误差,结果表明NIBPNN较BPNN,IBPNN有较大的改善。（3）利用加权的思想提出了多个BP神经网络加权的融合混沌残差的BP强预测器（BP-Adaboost）的地表下沉预测模型。为提高地下开采引起地表下沉预测结果的精度,由于BP神经网络在单点下沉预测中精度较高但容易陷入局部最优解,于是提出了融合混沌残差的BP强预测器（BP-Adaboost）的地表下沉预测模型。以顾北矿1312（1）实测值为例,分别用融合混沌残差的BP-Adaboost模型、BP神经网络模型和BP-Adaboost模型对最大下沉值点进行稳定期和活跃期的单步预测和多步预测,结果表明,融合混沌残差的BP-Adaboost模型无论是在单步预测还是在多步预测上的精度均最高,尤其在单步预测上有显著的提高。（4）利用加权的思想提出了多个核函数加权的带有混沌残差的遗传算法优化的多核支持向量机（CHAOS-GA-MK-ε-SVM）水下预测模型。由于淮南矿区是高水位矿区,随着矿山开采的进行,水将淹没监测点导致监测点无法测量,SVM在水下监测点下沉预计中精度较高。提出了一种带有混沌残差的遗传算法优化的多核支持向量机（CHAOS-GA-MK-ε-SVM）水下预测模型。基于无水沉降区域的实测数据,用CHAOS-GA-MK-ε-SVM模型对水下下沉值进行预测,并分析预测结果的准确性和可行性。淮南顾北煤矿1312（1）首采面表明:在监测点的数据较为完整的情况下,CHAOS-GA-MK-ε-SVM模型精度较高,活跃期6期预测值中有4期可用,前4期平均相对误差（MRE）为1.7%,精度较高可以使用,而最后2期MRE是9.6%,精度较低不可以使用。谢桥2111（3）表明:在监测点的数据较为完整的情况下,CHAOS-GA-MK-ε-SVM模型精度较高,稳定期6期预测值中所有期都可以使用,6期的MRE是0.9%。但在监测点的数据严重缺失的情况下,训练样本缺少将会导致CHAOS-GA-MK-ε-SVM模型过拟合,此时应当采用遗传算法优化的支持向量机（GA-ε-SVM）模型去预测水下下沉值。GA-ε-SVM模型6期预测值中所有期都可以使用,6期的MRE是3.3%。图23表27参81