煤层气作为清洁能源之一,对于防治大气污染、提升环境质量发挥着重要作用。近年来,煤层气的开采与利用受到社会各界的广泛关注,通过预测煤层气产能以及挖掘煤层气井产量的变化规律能够提高措施选井决策效率的同时提升单井的产气量。然而,目前大多使用公式推算以及传统算法来预测煤层气产能,这些方法不仅花费的时间成本高,准确率也有待提升。本文综合机器学习中的多种算法对煤层气产能作出预测并对影响煤层气产能的因素展开研究。考虑到煤层气开采过程中的复杂情况,首先通过对传统的卷积神经网络AlexNet模型加以改进,提出全新的多输入AlexNet产能分类模型,实现对煤层气高产、中产、低产三个类别的产能预测,并将其对应的煤层气井标记为高产井、中产井、低产井。其次,提出改进的FOA-GRNN产量回归模型,模型使用果蝇优化算法FOA来优化GRNN网络的平滑因子,同时改进最优值的筛选标准,使模型达到更好的收敛效果,最终在分类预测的基础上更精确的预测出不同类别煤层气井产量的具体值。最后为煤层气产能影响因素的挖掘,通过将DBSCAN聚类算法与FP-growth关联度分析算法相结合,找出影响产能的重点因素,以及它们的参数范围。文章中对所有算法的有效性和实验结果的优势展开详细讨论,本文中的所有实验均使用的是煤层气开发中的真实数据。此次研究是机器学习与煤层气开采领域的一次全新结合,本文的主要内容和贡献如下:（1）提出并应用了多输入AlexNet产能分类模型,此模型数据的输入与传统煤层气产能预测中数据输入的方式有所不同,将原始数据（每口井的数据表现形式均为矩阵）直接作为模型的输入,并且对传统AlexNet模型的网络结构与模型参数加以优化,使其能够更好地实现煤层气产能的分类预测。首先将经过数据预处理过后的排采数据通过K-Means算法聚为高中低三个类别,接下来,将测井数据与压裂数据分别作为模型的输入,经过若干个卷积核后对这两个部分进行拼接,拼接后的数据依次经过若干个卷积层与全连接层后,最终输出相应的产能类别预测结果。实验结果证明改进的多输入AlexNet卷积神经网络用于煤层气产能类别的预测与多种传统算法相比有更高的准确率。（2）提出并应用改进的FOA-GRNN产量回归模型,将（1）中测井与压裂数据合并之后的矩阵作为该模型的输入,并且将果蝇优化算法FOA用于GRNN网络平滑因子的优化,通过改进优化目标,提高了算法的准确率,解决了传统算法在煤层气产量回归时精度不高的问题。文章中对改进FOA-GRNN产量回归模型的实验结果通过主客观的分析,证明该模型具有更大的优势。（3）提出并应用基于DBSCAN的FP-growth算法模型,将具有噪声的基于密度的聚类方法（DBSCAN）与频繁模式树（FP-growth）相结合,并用于产能的分析评价。DBSCAN算法是基于密度聚类的算法,FP-growth是数据挖掘的算法,本文将两种算法巧妙结合,首先通过皮尔逊相关性分析,得到影响产能类别的决定性因素,而后经过DBSCAN算法对筛选出的每个因素进行聚类,最终使用FP-growth算法构建产能分析评价体系,找出影响产能类别的相关因素及其参数范围。将该模型用于人工干预提高煤层气井产气量,具有极高的使用价值。