冲击地压是一种较为典型的矿山灾害动力现象，随着开采规模的扩大和深度的增加，其危害也日趋严重，已成为矿山开采中亟待解决的重大课题。冲击破坏过程十分复杂，很难建立精确的数学模型，但目前具有冲击危险性的矿井都采取了多种监测措施，可以获得大量冲击地压监测数据。本论文以获取的冲击地压监测历史时间序列数据为基础，在相空间重构出的动力学空间中分析其混沌特性，基于混沌预测理论，采用智能算法对多个冲击地压监测变量进行预测研究，并采用集成分类方法对冲击危险性进行识别预测研究。首先，对冲击地压监测数据进行分析和预处理，获取能表征煤岩体断裂破坏动力学特性的监测数据，包括微震累计能量、最大能量、频次和电磁辐射幅值、脉冲数指标等时间序列。基于单变量相空间重构，通过功率谱方法和主分量分析法定性判定各个冲击地压监测时序均具有混沌特性。接下来，针对多变量时序相空间重构时重构变量和参数确定的相关性以及重构效果评价目标的多维性，提出改进的多目标免疫优化算法来确定重构变量和重构参数。两个标杆混沌系统仿真实验验证了该方法的有效性；用于冲击地压监测时间序列，结果表明能够同时求出多组最优重构变量和重构参数的组合，为基于多变量监测时序的冲击地压混沌特性分析和智能预测打下基础。其三，考虑到多变量时序重构可以弥补数据长度的不足和噪声的影响，基于多变量时序重构来求解冲击地压监测时序的混沌几何不变量：采用改进G-P算法求解多变量时序的关联维数d2，并提出了计算含噪多变量时序的最大Lyapunov指数（LLE）的非线性最小二乘方法。将改进G-P算法先用于对Lorenz系统的d2求解，验证其鲁棒性强、精确度高；求解冲击地压监测时序的d2为分数维，说明其具有混沌特性，并根据d2研究了不同情况下监测数据的复杂程度。将LLE求取方法用于Rossler耦合系统验证了该算法对小数据量含噪多变量时序的适用性，求得冲击地压监测时序的LLE均大于0，再次说明其具有混沌特性，可进行短期预测。其四，将多变量时序重构的状态相量作为输入变量，基于GRNN模型来预测多个冲击地压监测变量的未来值，以间接识别冲击危险性。GRNN预测结果表明，在一定的数据长度下，基于多变量重构的GRNN模型可以提前预测出多个监测变量的未来值，而且用于重构的监测数据类型和变量个数越多，嵌入维数越大，预测精度越高。然后，在LSSVM的基础上构建MLSSVM模型，用于小数据样本下冲击地压监测变量的预测。MLSSVM为不同输出设置不同模型参数，并基于所有输出的整体拟合误差和各个输出的单一拟合误差最小化，采用免疫算法来优化其模型参数，从而得到各个输出的整体最优预测模型。将MLSSVM模型用于三个矿井（工作面）冲击地压监测变量的预测，结果表明MLSSVM模型具有较强泛化能力，在训练样本有限时，也能达到较小的预测误差。最后，考虑到由多源监测时序重构得到的状态相量能够更好地描述系统，将其作为输入来直接识别预测冲击危险性。由于状态相量各个分量间存在一定的互补性和冗余性，提出基于特征聚类的子空间选择性集成学习算法进行预测。实验结果表明：这种集成学习算法，在不同实验数据集上都能有效提高分类准确率；可利用多源监测时序的历史数据提前直接预测出冲击地压危险性。作者以混沌动力学为研究基础，从混沌时间序列的角度研究了冲击地压监测数据的复杂特性，并基于混沌预测理论对冲击地压监测数据和冲击危险性进行了智能预测研究，对混沌理论和智能预测算法进行了有益的探索和尝试，为基于开采过程中的监控数据实现冲击地压的短期预测提供一定的理论基础与实用价值。