煤炭是我国的主要能源,占中国矿物能源资源的95%。据统计数据显示目前我国在煤炭生产过程发生的重大事故中,由于矿井突水所引起的人员伤亡及财产损失始终位于各种矿井灾害的前面,因此在矿山的防治水工作中,对矿井水源的识别是工作的基础,在矿山防治水工作中起着不容忽视的作用,通过对水源判别的方法研究,建立起矿井水源的识别模型,并迅速准确地确定矿井水源来源,是解决问题的关键。针对上述问题,论文选择了水化学分析方法Piper三线图、传统的水源判别贝叶斯判别法和新兴人工智能领域神经网络判别法进行研究。其中Piper三线图是对矿井水源的水化学成分进行分析归类判别;传统贝叶斯判判别法是根据水样归属种类最大概率进行归属判断,同时针对传统贝叶斯模型中水质离子间信息迭加和人为主观因素较重等局限性采用主成分分析和变异性权重来进行融合优化,经实验显示,优化后的模型正确率由92.31%提高至96.15%;提出广义回归神经网络（GRNN）来建立矿井水源判别模型,该模型简洁且可调整参数较少,并通过优化后的果蝇算法对广义回归神经网络（GRNN）激活函数中的参数（平滑因子）进行调整,代替原模型参数的人为手动设置,之后对优化前后的算法模型进行实验并建立矿井水源判别模型,实验表明优化后的GRNN算法收敛速度较快,局部最优值的情况得到了改善,判别准确率得到了明显的提高。在以上算法研究的基础上,对所研究的算法进行软件实现。现有的矿井水源识别算法大多数仅停留在理论阶段,达成可视化的矿井水源模型和集多种算法为一体、可交付用户使用的矿井水源识别系统较少。因此论文采用C#语言,通过PyCharm 2020软件将各个主要模型提取,通过Visual Studio 2013编写相关调用代码,实现对三种算法的异步调用来实现论文所述的所有功能,完成集多种算法为一体的矿井水源类型判别平台,方便用户使用。