煤矿开采现场所采集的瓦斯数据呈现着非线性、高维性和模糊复杂性的特点,就目前而言,对海量数据背后所隐藏的大量的信息和规律未做开发,对于瓦斯涌出量的预测,在可靠性、准确性和实时性方面还存在不足。深度学习可以通过内部的多个非线性层的处理阶段,来完成矿井下海量的多源异构数据信息的特征提取和转换,并能够通过自主学习来实现预测的目的,为瓦斯事故的预测预报和决策提供技术支撑。因此,本文利用深度神经网络(DNN)自身构造的多隐层模型对样本数据进行训练,完成自主学习过程,误差分析结果显示该模型性能较好;并实现Tensor Flow框架的封装,完成瓦斯数据预测系统的设计,该系统可进行准确实时的预测,为智能化开采提供技术支持。本文主要完成了以下几个方面的研究内容:(1)对比几种典型深度学习模型的基本结构和训练方法,得出DNN模型更加适用于瓦斯涌出量的预测问题。(2)分析了瓦斯涌出量影响因素,并利用SPSS对相关参数进行Bartlett球形检验和KMO检验,检验结果表明:所选择的参数间的偏相关性较弱,显著性为0,满足分析条件,具有可靠的信度和效度。从而,确定了预测模型的基本输入参数。(3)提出了一种基于深度神经网络的瓦斯涌出量预测模型,并将该模型应用于高河矿的瓦斯涌出量预测中。把预处理后的数据进行划分,其中80%作为训练集,20%作为测试集,分别用于模型的训练和模型预测性能的评估。预测结果表明:总体预测曲线基本符合瓦斯涌出量的变化趋势,能够较为准确的反映涌出量的变化幅值。(4)通过误差分析对模型效果进行检验,回采工作面预测误差的标准差为1.776921,掘进工作面预测误差的标准差为0.310803,预测误差值均都分布在0左右的范围内,向两侧呈递减趋势,说明模型精度较好。验证了该模型应用于瓦斯涌出量预测问题的适用性和优越性。(5)在完成高河矿瓦斯涌出量数据预测模型的构建基础上,通过搭建分布式深度学习框架,完成了具有自主学习能力的精准、高效的瓦斯涌出量预测系统的设计。