煤岩界面识别系统能使采煤机具有自动追踪煤岩界面的能力，可靠的识别系统在经济效益和安全作业两方面都具有突出的优点，它能提高煤层的回采率；降低煤中的研石、灰份和硫的含量；提高采煤作业效率；减轻设备磨损；是实现采煤自动化的关键设备之一。目前各研究方法所使用的都是用单类型传感器进行识别，由于每个传感器都有其特定的工作精度与适用范围，因此用单传感器采集信号有一定的局限性，传感器本身的故障与失灵等都会造成误判。因此为了使煤岩界面识别更具有可靠性、可行性，研制开发多传感器识别系统成为必要。因此本课题采用了多类型传感器拾取采煤机响应信号并进行多信号特征提取与数据融合的煤岩界面识别方法，提高了识别率。本文在采煤机煤岩界面识别物理模拟系统的基础上，做了大量试验，通过试验采集了大量试验数据，为数据处理准备了充分的数据信息。鉴于小波分析方法的诸多优点，本文采用小波包技术对信号进行特征提取。通过基于小波包分解的能量分布提取方法能够确定各传感器信号的敏感频段，提取出各特征值。用小波包能量法进行特征提取，完成了从模式空间到特征空间的转换，为数据融合提供了可靠而准确的特征级数据。数据融合作为一门跨学科的综合信息处理技术，显示了进行煤岩界面状态识别的强大优势。本文针对BP网络容易陷入局部极小的缺点，用遗传算法对神经网络进行优化，建立了遗传神经网络模型，针对煤岩界面识别的具体问题，确定了遗传神经网络的具体结构和训练算法：1、选择实数编码方式，缩短个体编码的长度，将网络的权值及阈值同时进行编码。2、设计能正确表现神经网络性能的适应度函数，同时考虑网络结构对神经网络泛化性能的影响。3、设计并改进了适用于实数编码遗传算法的进化算子，避免早熟收敛现象的发生。结果表明可用试验数据对神经网络、遗传神经网络进行训练和仿真。基于遗传神经网络的数据融合能够进行状态识别并具有较高的识别精度，基于遗传神经网络的多传感器数据融合技术在煤岩界面识别中是可行的。