煤炭生产是危险性极高的采矿行业，生产过程中时刻伴随着瓦斯透水塌方等安全隐患，而煤与瓦斯突出是最严重破坏性最大的安全事故之一，因此矿井需要投入大量的人力和物力开展相应的防突工作为了减少防突措施的盲目性和采取合理的防突措施，进行煤与瓦斯突出预测方法的研究具有重要意义，旨在提高突出预测精度和预测效率，进而为防突措施的实施提供更加科学的依据自组织特征映射网是模拟大脑神经系统的自组织特征映射功能，通过学习可以提取一组数据中的重要特征或某种内在规律，按离散时间方式进行分类，这种分类反映了样本集的本质区别，它是一种非监督自组织学习支持向量机是从统计学理论的基础上发展起来的，它是一种有导师学习算法，它根据结构风险最小化原则，尽量提高学习机的泛化能力，在解决小样本非线性及高维模式识别问题中表现出许多特有的优势非监督学习算法的分类精度通常很难令人满意，而有导师学习算法需要人工选取训练样本，这些样本直接影响着分类精度，并且对于大规模数据集，这种算法的训练效率大大降低因此，本文提出一种非监督的SOM网和有导师学习的SVM相结合的SOM-SVM分类新模型，它不仅满足了支持向量机对训练样本规模的要求，又保证了分类的准确率，本文尝试将其应用于煤与瓦斯突出预测中本文以煤与瓦斯突出机理及突出预测的概况为基础，首先了解了影响瓦斯突出的各种因素，并结合国内外突出预测的研究现状和研究成果，对现有分类方法进行了对比和改进，由于煤与瓦斯突出预测问题是多分类问题，本文采用Matlab可视化神经网络工具箱和Libsvm软件来编写该分类算法，从而建立了煤与瓦斯突出预测的SOM-SVM模型通过现场实测数据进行煤与瓦斯突出危险性预测，结果表明:使用SOM-SVM算法建立的模型，能够快速准确的预测出开发煤层的突出危险程度，一方面节省了不必要的防突开支，提高了经济效益，另一方面又保证了安全生产因此两种算法的结合对煤与瓦斯突出危险性预测是有效的，它与传统的预测方法相比，容错能力更强，预测精度更高