煤自燃灾害是煤矿五大灾害之一。我国大部分矿井都是自燃和容易自燃煤层,其中80%～90%矿井火灾是由煤自燃引起的。近年来随着矿井开采技术的进步,煤自燃事故的发生概率有所降低,但煤自燃防治仍是重中之重。因此,加强煤自燃预警技术研究,针对煤自燃灾害防治及时作出正确决策,对于煤矿的安全生产和矿工的生命安全具有重要意义。本文系统的阐述了煤自燃温度预测方法的研究对于煤炭行业的重要意义。通过大型煤自然发火实验、煤自燃程序升温实验,并根据现场经验最终确定了 CO、O2、CO/ΔO2、C2H4以及C2H4/C2H6等5个煤自燃温度预测指标。本文对于PSO-BP神经网络算法、支持向量机算法、随机森林算法进行了基础分析,分别分析了三种算法在煤自燃温度预测的适用性。针对煤自燃温度预测判别模型性能的检验,本文将某矿煤样的实验数据作为模型的学习集和测试集。为了使煤自燃温度预测判别模型的学习和预测更接近真实值,本文对实验数据进行了数据缺失值处理以及数据的归一化处理,这样可以解决煤自燃温度预测判别模型在训练过程中产生的误差,使模型达到更高的精度。针对煤自燃温度预测判别模型的检验标准,本文引入了4个误差指标来对煤自燃温度预测判别模型的性能进行检验。在深入探讨了机器学习算法的基础上,分别基于PSO-BP神经网络算法、支持向量机算法、随机森林算法构建了基于机器学习的煤自燃温度预测判别模型,并对三个模型的参数进行了优化,采用了 Matlab进行了模型的性能对比。结果表明:基于随机森林算法的煤自燃温度预测判别模型的回归判定系数达到了 0.8697,具有较高的准确率和鲁棒性,可满足煤自燃的需求,研究成果对煤自燃温度预测和防控具有重要的研究价值。