瓦斯突出是引发煤矿重大恶性事故的隐患,在防突治理方面,如何提高瓦斯突出危险性预测的精度,使防突措施减少盲目性,增强针对性的研究工作是有实用意义的。瓦斯突出预测问题是一个受多种因素综合影响的复杂的、非线性的、高维问题,传统的方法往往难以奏效,寻求一种有效的煤与瓦斯突出预测方法一直是煤矿地质工作者积极探索的研究方向。本文在分析了煤与瓦斯突出机理和影响因素的基础上,把统计学习理论的最新方法一支持向量机,应用于瓦斯突出的预测中,为解决矿井瓦斯突出预测问题提供了一条新途径。现阶段在瓦斯涌出量预测中最为常见的方法是利用BP神经网络,它将瓦斯预测技术基础理论与神经网络分析方法有机地结合起来,具有现代理论基础研究方法,能够进行一定程度上的瓦斯突出预测,但是在样本数据处理上还存在过学习现象等一些不足。针对这个问题本文采用小波分析及支持向量机的瓦斯数据预测算法,结合基于STM32煤矿监控数据采样的硬件部分,提高数据采样精度和瓦斯预测准确性,增强井下作业的安全性。在参阅大量文献的基础上,论文主要研究工作如下：首先,本文引入瓦斯突出的机理、突出的一般规律,对影响煤与瓦斯突出的地质因素进行了分析。煤与瓦斯突出现象非常复杂,尤其是随着开采深度、强度、速度和规模的增加和扩大,影响煤与瓦斯突出的因素众多,各因素之间关系的复杂性,致使传统方法难以精确预测。其次,本文提出了基于免疫支持向量机的煤矿瓦斯突出预测模型。由于瓦斯突出时所能搜集到的特征向量有限,这对于需要大量训练样本的BP网络来说,网络的训练具有一定的局限性,存在局部极小点和过学习等问题。因此,论文引入了基于小样本学习的支持向量机。为了进一步提高预测准确率,利用小波对采样的数据进行分析、重构、去噪,优化采样数据。运用免疫进化算法,通过抗体最大程度匹配抗原的原理寻求参数c和g的最优解,避免选取的盲目性充分优化模型。通过对比一般SVM模型的仿真结果,可知基于免疫支持向量机的瓦斯突出预测,提高了预测系统的推广能力,缩短了预测时间。最后,由于目前的预测方法用到的参数众多,有些参数采集困难,使用十分不便。为解决这个问题,本文采用性价比好和稳定性能高的STM32作为核心处理器实现采集,通过与井下瓦斯、温度传感器无线射频通信,对安全监控数据进行实时高精度的采样,提高数据处理的可靠性。