煤炭产业在今后相当长一段时期内仍将是我国能源的主体产业,有着十分广阔的发展前景。但是当前煤矿安全生产形势依然非常严峻,煤矿安全事故频繁发生。我国的煤矿安全管理水平与西方发达国家相比,还有很大的差距。瓦斯事故号称煤矿安全生产的“第一杀手”,瓦斯突出在煤矿灾害中危害性最大。许多学者和工程技术人员开展矿井瓦斯突出机理、评价及防治技术的研究,目前提出的关于矿井瓦斯突出机理的假说多达十几种,在某些方面取得了一定的进展,但是由于矿井瓦斯系统的非线性、多样性和复杂性,瓦斯安全问题还没有得到很好的解决。理论界必须加强对矿井瓦斯突出风险评价的研究,以给煤炭企业提供科学和有效的防治手段和方法,开展矿井瓦斯突出风险评价的研究具有重要的理论和现实意义。对于小样本评价理论与方法的研究,多见于国防、航天、核设备等高科技领域。在这些领域因高昂的试验费用使得试验的次数尽可能少,得到的样本数据相对来说十分有限。如何在有限的数据条件下挖掘更为广泛的信息,这就是小样本研究方法需要解决的问题。矿井瓦斯安全系统广泛存在着典型负类数据不足的问题,负类样本如矿井瓦斯突出属于偶发事件,事故现场即刻采集样本数据十分困难,因此负类样本相对于正类样本来说必定是小样本的。另外一些新建煤矿缺少矿井瓦斯突出的历史数据资料,因此样本数量十分有限,对其评价要考虑小样本问题。再者因矿井瓦斯安全数据采集极具危险性,多样本采集必定带来高风险和高成本。由上分析,多因素决定了对于矿井瓦斯突出风险的科学评价理应是基于小样本的评价,而传统的评价方法未能充分考虑到这一点,对此研究鲜见涉及。可见,基于小样本的评价问题在现实中广泛存在,但理论界未能给出有效的研究方法来解决这个问题。本文就基于小样本的矿井瓦斯突出风险评价方法进行研究,属于“情景嵌入型”的评价方法研究,研究具有鲜明的行业特色,注重理论与实践的结合,论文主要开展了以下几个方面的研究工作：(1)本文对可用于小样本评价的理论与方法进行了比较研究。在描述各种小样本评价方法数学原理的基础上,分析比较了各种评价方法的异同,指出各种方法在理论上和应用中存在的不足,研究并指出各种小样本评价理论与方法的现状及发展方向。(2)本文应用灰色关联分析方法选择矿井瓦斯突出风险评价指标。灰色系统理论适于解决贫信息的小样本问题,而灰色关联分析是灰色系统理论的主要内容之一。本文运用灰色关联分析方法分析瓦斯突出的各种影响因素,计算各影响因素的关联系数和关联度,按关联度大小进行影响因素排序,找出影响矿井瓦斯突出的主控因素,把主控因素作为小样本评价指标,并将主控因素的矿井实测数据作为小样本评价模型的输入进行风险评价。(3)本文建立了基于神经网络的矿井瓦斯突出风险评价模型。神经网络是数据驱动式“黑箱”建模,具有强大的非线性处理能力,适于解决矿井瓦斯突出系统的复杂性和非线性系统的评价问题。采用神经网络进行矿井瓦斯突出风险评价,能有效地减少主观因素的影响,所建评价模型基本能够真实地刻画矿井瓦斯突出影响因素与矿井瓦斯突出风险实际水平之间的复杂非线性关系,建立的模型具有一定的应用价值。(4)本文对训练样本的规范化方法进行了改进,改进的规范化方法具有保序性、差异比不变性、平移无关性、缩放无关性和区间稳定性等优良特性。各评价指标训练样本之间往往不具备可比性,无法进行综合评价。本文提出了改进的训练样本规范化方法,并分别为神经网络和支持向量机小样本评价方法的训练样本提出了具体的改进公式。针对神经网络评价模型面言,改进的方法避免了s型活化函数取极值及连接权足够大的边缘和苛刻条件,提高了训练速度。对支持向量机评价模型来说,在核计算中会用到内积运算或exp运算,不平衡的数据可能造成计算困难。改进的方法更好地保持了原始数据的关系、消除量纲影响和变量自身变异大小和数值大小的影响,有效地降低了计算难度。(5)本文提出了一种选取支持向量机核函数参数的新方法,即调步长网格搜索与K-CV交叉验证组合的方法。这种方法先在一个大区域选定Gauss径向基核函数参数万和惩罚参数C的取值范围,设定一个大的搜索步长,对每对参数组合(σ,C)进行训练,并计算风险评价准确率。风险评价准确率的计算采用K-CV交叉验证方法,K-CV方法可以有效地避免过学习以及欠学习状态的发生,最后得到的结果也比较具有说服性。在大区域上找出模型评价性能好(参数组合相对较优)的一个好区域,再在这个小区域上的参数范围进一步细分网格,调整步长应用网格搜索法寻找最优参数组合,根据K-CV交叉验证评价准确率排序,选择评价准确率最高的参数组合作为模型的最优参数。该方法将两个参数同时考虑可以建立具有最佳评价能力的基于支持向量机的矿井瓦斯突出风险评价模型。(6)本文建立了擅长解决小样本问题的C-SVM支持向量机瓦斯突出风险评价模型。C-SvM支持向量机方法不仅能够解决复杂非线性系统的评价问题,其优势还在于能够解决小样本的分类、函数逼近和模式识别问题,对于矿井瓦斯突出风险评价来说,支持向量机无疑是最好的研究工具和方法。本文建立了基于小样本的C-SVM支持向量机瓦斯突出风险评价模型,应用矿井实测数据研究表明,该模型用于实际评价具有很好的泛化能力,可用于矿井瓦斯突出风险的实际评价,可以有效地指导矿井及时正确地开展瓦斯突出防治工作。(7)本文对多种可用于矿井瓦斯突出风险评价的方法进行了实证比较研究。得出：单项指标法和综合指标D,K法的评价结果与实际结果并不完全一致,因为这两种方法只是强调其中的个别因素对矿井瓦斯突出的影响,而不能全面系统地刻画矿井瓦斯突出复杂系统多因素的非线性关系,不能把握矿井瓦斯突出风险评价的本质。C-SVM支持向量机方法评价准确率比神经网络方法略高,显示出支持向量机模型具有更高的泛化能力。尤其是在小样本数据情况下C-SVM支持向量机仍然具有较高的评价精度。而神经网络在小样本训练样本条件下建立评价模型的泛化能力有较明显的下降。说明：支持向量机在解决小样本评价问题时较其他模型有明显优势,可用来对矿井瓦斯突出风险进行评价,该方法是基于小样本的评价,不仅可以解决矿井安全系统广泛存在着典型负类数据不足的问题,而且还可以降低采集数据带来的危险并减少评价成本,是一种具有较高实用价值的小样本评价模型和方法。除了上述研究结果外,本文还指出了该领域一些值得进一步研究的前沿问题。