煤矿瓦斯涌出是矿井瓦斯灾害中最危险的灾害之一，对矿井灾害进行预防和控制已经成为矿井安全工作中的重中之重。由于影响瓦斯涌出量的因素是动态非线性的，并且这些影响因素与瓦斯涌出量之间呈现不确定且非线性的关系，使瓦斯涌出量预测存在一定难度。因此，如何构建具有较强泛化能力的模型来对瓦斯涌出量进行精准预测，是矿井瓦斯涌出量预测研究领域中需要解决的问题。　　本文针对矿井安全生产的需要，以影响瓦斯涌出量的因素为研究对象，以矿井瓦斯涌出量预测为目的，通过研究粒子群算法和最小二乘支持向量机的理论，提出了利用改进粒子群算法优化最小二乘支持向量机的瓦斯涌出量预测模型。用最小二乘支持向量机代替了支持向量机对瓦斯涌出量进行预测，使计算过程复杂性大大降低了，同时训练效率也得到了提高。由于最小二乘支持向量机参数选择不同而对模型训练时间、预测误差产生不同的影响，利用粒子群算法来优化惩罚因子C和核宽度系数σ。分析了标准粒子群算法的运行机理以及各参数设置对算法性能的影响。对于粒子群算法容易陷入局部最优的缺点，论文对粒子群算法中的惯性权重w进行改进，并引入收敛因子x，提出了改进粒子群算法。该算法在克服局部收敛的同时加快了收敛速度，更能适应复杂的优化问题。采用改进粒子群优化的最小二乘支持向量机对瓦斯涌出量进行预测，并利用监测到的瓦斯涌出量历史数据进行仿真，实验结果表明该模型与标准粒子群优化的最小二乘支持向量机模型、BP神经网络模型相比，收敛速度快、收敛精度高、预测误差低，表明了该方法具有很好的可行性和有效性，能够对瓦斯涌出量进行准确预测。