煤与瓦斯突出一直是国内外煤矿安全生产方面关注的焦点问题。多年来尤其是近几年我国煤矿存在着多种安全隐患方面的威胁,煤与瓦斯突出最为严重和常见。由于预测手段的落后,不能向煤矿决策者及时提供安全隐患方面的信息,导致在煤与瓦斯突出发生前工人不能脱离现场,造成严重的生命财产损失。如何建立有效的煤与瓦斯突出区域预测模型,为煤矿决策者提供确实可靠的决策依据,避免或降低煤矿生命财产损失是国内煤矿共同面临的研究课题。因此研究煤与瓦斯突出区域分类预测模型具有重大现实意义。目前,国内煤矿大多数采用软测量与传感器相结合对煤与瓦斯突出区域分类进行预测,由于煤与瓦斯突出区域等级的划分是一个多分类问题,这种建模技术直接影响煤与瓦斯突出区域等级预测的精度。本文在深入研究了国内外煤与瓦斯突出区域分类预测方法的基础上,考虑到BP神经网络在建立煤与瓦斯突出区域分类预测模型时存在的推广能力差和预测时间长等缺陷,同时支持向量机可用于处理多分类问题,利用支持向量机方法建立煤与瓦斯突出区域分类预测模型。针对支持向量机对处理小规模样本具有优越性,而当数据的规模较大时其算法的训练速度和预测速度变慢以及分类的精度受到影响等问题,本文提出了基于数据集约简的支持向量分类机算法——RS-C-SVC。该算法从约简数据集的规模入手,引入C-支持向量分类机C-SVC,解决了在训练阶段支持向量的检索问题,并通过RS-C-SVC算法删除了噪声数据、约简了数据集合的规模,有效地提高了煤与瓦斯突分类预测的训练速度,同时也提高了预测的速度和分类的精度,满足了煤与瓦斯突出区域分类预测的实时需要。实验结果表明:该算法可以有效的提高预测精度,同时能解决计算代价大的问题,减少了占用内存的空间,提高了运行效率、缩短了时间,为煤与瓦斯突出区域分类快速有效的预测提供了可靠的保证。