煤矿地下开采的前提是查明主要可采煤层顶底板工程地质特征,正确地将煤矿巷道围岩质量分类可以很好地反映井巷工程地质类型和煤矿开采技术条件,可为指导后期煤矿开采设计和支护设计提供重要依据,为煤矿的安全高效生产提供技术支持。鉴于上述背景,本文采用数值分析、工程验证及数值模拟等研究方法,基于机器学习高效率、可塑性、普适性等优点,建立了基于支持向量机(SVM)的煤矿巷道围岩质量分类模型并与BP神经网络和随机森林算法进行比较,找出了最优分类模型。为了进一步提高巷道围岩质量分类准确率,采用遗传算法(GA)对该模型进行优化,最终建立了基于GA-SVM的煤矿巷道围岩质量分类模型。本文主要研究成果如下:(1)结合粗糙集理论,利用属性约简的性质对条件属性进行约简。最终得到,属性集的核是{天然单轴抗压强度,饱和单轴抗压强度,软化系数,天然抗剪强度,饱和抗剪强度,含水率,岩石质量},同时也验证了煤矿巷道围岩质量分类指标的必要性。(2)以煤矿巷道围岩质量分类为研究对象,建立基于机器学习的煤矿巷道围岩质量分类模型包括:BP神经网络分类模型、随机森林分类模型和SVM分类模型。经过预测得到BP神经网络的分类准确率75%;随机森林的分类准确率62.5%;SVM的分类准确率最高为87.5%。(3)从节点错误率和混淆矩阵两个方面进一步评价分类器的分类性能。通过比较发现,SVM在节点错误率和混淆矩阵方面优于BP神经网络和随机森林。(4)通过引入遗传算法优化SVM,建立了基于GA-SVM的煤矿巷道围岩质量分类模型,分类准确率达到100%,加速了参数的寻优过程,适用于对煤矿巷道围岩质量进行分类。(5)利用GA-SVM分类模型对金达煤矿16608工作面材料道围岩质量进行分类,并采用Flac3D对其进行数值模拟验证。