煤矿热动力灾害指由于煤矿致灾因素热动力属性超出控制范围而引发的矿井原发性灾害与继发性灾害。煤矿热动力灾害严重影响着煤矿的安全生产,因此有必要对可能发生的煤矿热动力灾害进行预报。本文结合深度学习的理论和方法对煤矿混合气体组分识别、标志性气体时间序列预测和检测进行研究。主要工作如下:针对多维时间序列数据分类困难的问题,本文提出了基于类图片矩阵和卷积神经网络的混合气体识别方法。该方法在多元气体传感器时间序列的基础上,将多维时间序列映射为类图片矩阵,并根据多维数据之间的相互关系构建了四种类图片映射方式,通过不同映射方式的组合,结合卷积神经网络非线性特征提取能力对混合气体时间序列数据进行分类识别。该实验在混合气体的公共数据集上进行,并比较了不同映射方式组合的分类准确度,同时对比了VGG16、VGG19、Res Net18、Res Net34和Res Net50五种模型的分类效果,实验表明Res Net50模型有更好的分类准确度。为了对能反映煤矿热动力灾害阶段的标志性气体进行预测,本文在时间卷积网络基础上加入三维空间特征和多元辅助特征分析,提出了基于多元融合时空特征卷积网络的标志气体浓度预测模型。该方法在历史气体浓度序列基础上,融合了采空区目标监测点周围其他监测点的空间数据,提取目标监测点处的空间特征。同时分析了目标监测点处其他气体等数据与目标气体数据之间的互相关性,作为辅助因素来提高预测精度。为了验证所提方法的有效性,实验采用采空区模型实验数据进行实验,并与长短时记忆网络等模型的预测效果进行了对比,实验表明本文所提方法有更小的误差。对目标气体时序数据中的异常模式数据段进行检测能够为灾害的发生阶段的判定提供帮助,本文提出了一种基于差分率熵特征和生成对抗网络的时间序列异常模式检测方法。该方法首先提取其差分率熵特征,然后利用生成对抗网络学习正常模式的分布,并且在检测阶段提出了新的异常分数计算方法,即同时考虑生成样本的加权异常分数和判别结果的异常分数,通过计算样本的异常分数判断单维时间序列数据段是否为异常模式。为了验证所提出的方法有效性,实验采用中国矿业大学提供的采空区模型实验数据进行实验,实验对比了不同时间序列熵的结果,并与自动编码器等模型的检测效果进行比较,实验表明本文所提方法有更好的检测精度。有效的预测预警方法能够减少煤矿采空区热动力灾害带来的危害,对及时通知工作人员采取有效的防护措施有重要意义。