在我国的矿井生产中，水害事故的频繁发生严重威胁着煤矿企业员工的生命安全，给煤矿企业的经济带来巨大的损失，对煤矿的长期稳定发展和安全生产造成严重的影响。其中，煤层底板突水事故的突发性和破坏性较强，其危害程度较大，事故发生较频繁。由于煤矿特殊的自然环境和水文地质条件，使得煤层底板突水问题受多种复杂的因素影响，一些传统的方法在实际突水预测问题中效果往往不理想。因此，实现对煤层底板突水危险性的准确预测是有效防治水害的关键，也是煤矿安全领域的难题和水文地质工作者探索的重要问题。　　本文在充分研究一些传统方法以及一些机器学习算法的基础上，对煤层底板突水预测的新方法进行了研究，提出将支持向量机、粒子群优化算法和Adaboost迭代提升算法结合起来，将 PSO优化后的SVM作为基分类器，利用 Adaboost算法对 PSO_SVM基分类器加权组合形成强分类器，建立基于PSO_SVM-Adaboost算法的煤层底板突水预测模型。应用MATLAB进行了仿真实验，针对UCI数据库中wine和fertility两个数据集，建立了相应的非线性预测系统，测试PSO_SVM-Adaboost模型的可行性与准确性。　　通过对华北典型煤矿实测数据的具体分析，总结出六个煤层底板突水的主要影响因素：水压/MPa、采高/m、隔水层厚度/m、断层落差/m、煤层倾角/o、断层距工作面距离/m，将其输入 PSO_SVM-Adaboost模型中进行训练预测，同时与PSO_SVM和SVM模型进行结果对比分析，结果表明，基于PSO_SVM-Adaboost模型的预测精度明显优于PSO_SVM和SVM模型。证明了PSO_SVM-Adaboost模型具有良好的预测性能和泛化性能，为突水预测问题提供了一条新的解决途径。