煤矿的开采挖掘属于危险性极高的领域,其中瓦斯爆炸所带来的危害是最大的,严重影响了国民经济的增长和社会的稳定运行。煤矿发生瓦斯爆炸的几率越大,其未来出现灾害的损失也越大。如何快速和准确地对瓦斯爆炸作出预测,一直是一个需要解决的问题。基于此,本文对煤矿瓦斯爆炸预测系统做了详细研究,通过瓦斯监测系统与模式识别理论相结合,提出了KPCA-FOA-SVM预测模型,并且对模型进行了仿真。由于煤矿瓦斯爆炸监控系统具有非线性,通常所用的控制理论很难满足瓦斯爆炸风险预测系统的要求,因此本文建立果蝇算法对支持向量机寻优的网络,将此网络应用到预测系统中。鉴于引起煤矿瓦斯爆炸的因素较多,而每个因素的影响程度均不同,利用核主成分分析对致爆炸的指标做特征提取,精简特征维数。因为支持向量机预测模型的参数会影响模型的收敛性和泛化能力,因此本文采用果蝇算法全局寻优,搜索模型最佳参数组合,从而提高预测系统的识别精度,使瓦斯爆炸监控系统的可靠性得以提高。通过搭建瓦斯爆炸预测模型,建立实时分析各影响指标的监控系统,同时对FOA-SVM模型在瓦斯爆炸监控系统中做了仿真分析。仿真表明,文中采用的模型可以对煤矿瓦斯爆炸作出预警,且准确性和可靠性较好。论文的研究是基于国家自然科学基金项目(51274118)展开研究的,将模式识别、煤矿安全等多学科进行结合对煤矿瓦斯爆炸灾害展开研究,具有一定的理论研究价值与实际应用意义。