瓦斯是危害矿井安全生产的重要因素之一。长期的生产实践证明，瓦斯预测是瓦斯防治不可缺少的重要技术环节。由于综合机械化采煤强度大、速度快，现有的瓦斯涌出量预测方法不能满足综采工作面瓦斯防治、通风预测精度的要求，需要根据采面的情况，建立适合的瓦斯涌出量预测模型。基于上述原因，本课题选择非线性特性的神经网络和改进的遗传算法对下石节煤矿215综采面瓦斯涌出量预测模型的建立以及提高精度的方法进行研究。 首先对综采面瓦斯涌出量的机理进行研究，分析215综采面瓦斯涌出量的相关因素及其影响，确定神经网络的基础上建立瓦斯预测模型的可行性。 针对遗传算法与神经网络优缺点互补的特点，本文提出混合遗传神经算法(GeneticAlgofithms-Back Propagation，简称GA-BP算法)，在Matlab7语言环境下，采用实数编码方案优化BP神经网络的初始权阈值，然后应用LM算法对网络进行训练、学习至收敛，搜索出最优解或者近似最优解。 对建立的瓦斯涌出量预测常用两类模型，分别通过相关性的分析和AIC准则，确定模型的输入量，并通过3种BP算法(标准BP、BPX、LMBP)在两类模型中的应用，进行性能对比分析，选定215综采面瓦斯涌出量预测的模型。 将GA-BP算法运用到215综采面瓦斯涌出量的模型中，对算法进行初始参数的设定、调试并对网络的性能进行分析，最后进行预测并对结果分析。结果表明GA-BP算法对其他3种算法的不足都有改善，网络收敛且运行稳定，有效的提高了预测的精度，可以较好的应用于瓦斯涌出量预测中。