随着煤矿开采深度和强度的增大,煤壁片帮、地表坍塌等矿压显现现象频繁发生,严重制约煤矿的安全生产,因此煤矿开采过程中工作面矿压显现的分析与预测对于保证煤矿安全高效生产具有重要意义。同时随着物联网技术的发展,分布式光纤监测技术成为煤矿开采过程中覆岩变形监测的新方法,本文以分布式光纤监测覆岩变形与工作面来压的相似模拟试验为研究背景,以分布式光纤传感系统监测的光纤频移值为数据源,建立基于机器学习的工作面矿压显现预测模型。主要工作为:（1）建立基于MBCT-SR-RF的矿压显现预测模型。针对工作面上方不同岩层的变形状态对矿压显现影响程度不同的特点,提出光纤加权频移平均变化度。引入多步逆向云变换（MBCT-SR）算法计算垂直光纤全测点频移数据集的数字特征:期望Ex、熵En和超熵He,并将光纤加权频移平均变化度和光纤频移数据集的数字特征作为输入样本,构建以随机森林（RF）为基础算法的矿压显现预测模型。将均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）作为预测模型的评估指标,并使用BP神经网络和支持向量回归（SVR）作为对比方法。（2）为进一步提高预测精度,建立基于CNN-LSTM的矿压显现预测模型。利用卷积神经网络（CNN）对原始光纤频移数据进行特征提取,然后利用长短期记忆网络（LSTM）学习输入特征与矿压显现之间的非线性关系,建立了 CNN-LSTM矿压显现预测模型,同样以RMSE、MAE和MAPE作为预测模型的评估指标,并使用CNN和LSTM作为对比方法。（3）仿真结果显示,MBCT-SR-RF预测模型的RMSE、MAE和MAPE分别为6.2817、5.2529和2.2335,与BP神经网络和SVR预测模型相比,RMSE分别降低了4.3086、1.8575,MAE 分别降低了 3.1857、1.0964,MAPE 分别降低了 1.164、0.4315,具有较高的准确率和鲁棒性。CNN-LSTM组合预测模型的RMSE、MAE和MAPE分别为4.8718、3.1658和1.7842,与CNN和LSTM预测模型相比,RMSE分别降低了0.3249、2.383,MAE 分别降低了 1.8946、3.3587,MAPE 分别降低了 0.113、0.7704,预测精度优于其它两种方法。最后在此基础上进行了 MBCT-SR-RF预测模型和CNN-LSTM预测模型的普适性实验,并综合分析这两种预测模型的性能,结果显示,CNN-LSTM预测模型的预测精度更高,且普适性更佳。