记忆截割对于提高采煤机自动化水平,促进综采工作面“无人化、少人化”发展具有重要意义。但传统采煤机记忆截割技术存在截割精度低,需要采煤机司机频繁手动调整截割滚筒高度的问题。为了提高记忆截割的截割精度与截割效率,本文在前人的研究基础上,将深度学习与记忆截割技术相结合,并对此进行研究。本文对采煤机记忆截割原理进行了研究后,建立坐标系对采煤机进行定位定姿分析并获取采煤机的截割轨迹。并提出一种基于深度长短时记忆(Long Short-term Memory,LSTM)神经网络的采煤机截割轨迹预测模型,利用MATLAB软件对深度LSTM神经网络模型的预测效果进行了分析验证。此外由于采煤机在工作中需要进行连续多刀的截割作业,所以需要神经网络连续进行多步预测。为了适应工作需求,提升模型多步预测能力,提出一种MSLSTM神经网络模型,减缓了预测步数的增加时,深度LSTM神经网络误差增大问题的发生。最后,利用迁移学习相关知识,对小规模截割数据集进行了截割轨迹预测建模和研究。针对采煤机截割轨迹预测任务,对应用不同学习策略的模型训练效果进行了比较,并对迁移学习策略的有效性进行了对比分析。通过对深度学习和记忆截割的研究,为其今后的发展和应用提供了有效参考。该论文有图29幅,表13个,参考文献49篇。