针对顶煤冒放性评价的机器学习方法中存在着样本数据量难以满足要求的问题,提出了更适合于小样本情况下的支持向量机来评价顶煤冒放性.通过样本学习,构造出了分类函数,预测结果表明,该方法具有一定的工程参考和使用价值.研究表明：作为一种基于统计学习理论的学习机，近年来，SVM无论在算法理论还是在应用领域都有了很大发展。由于顶煤冒放性的影响因素众多，收集众多而且完整的资料很困难，因此基于数据的顶煤冒放性的评价问题是一种小样本的机器学习问题。SVM利用其结构风险最小原理，尤其适合于这种小样本情况，因此它能更好地从训练样本中提取特征。由于支持向量机自身还处于不断发展之中，新的算法还在不断涌现，因此其应用水平也在不断提高。这些对包括顶煤冒放性评价在内的许多工程应用领域都具有积极的借鉴意义。