中国是全球最大的煤炭生产与消费国,煤炭于我国能源结构中占据主导地位。煤炭安全稳定生产事关我国经济的可持续发展,对保证我国的能源安全具有十分重要的意义。近年来,我国煤矿的安全生产水平取得了可喜的进步。但是,随着煤矿机械化、信息化程度的加深,现如今煤矿已经成为一个复杂的非线性系统,其数据繁多,事故致因隐藏深,事故与致因间的联系模糊,对煤矿进行致因分析与事故预防造成了很大的困难。因此,本文以煤矿事故致因为研究对象,利用机器学习方法对其进行研究,解决了煤矿事故致因分析困难的问题,旨在对煤矿企业生产中存在的事故进行及时的预测,对事故致因进行有效的排查,达到预防和减少煤矿事故发生的目的。本文进行的研究如下:对如何快速准确地识别煤矿事故类型进行了研究。针对煤矿系统获取到的数据信息庞杂,无法通过理论模型直接进行致因分析,事故类型难以得到准确预测的问题,提出了煤矿事故支持向量机分类推荐模型。并对传统支持向量机无法高效获取较好模型参数的缺陷,利用启发式算法对其进行改进,分别提出基于粒子群算法和人工鱼群算法的支持向量机参数改进方法,介绍了两种算法的参数优化流程,对两种方法进行了对比验证,选取分类推荐效果较好的人工鱼群支持向量机用于煤矿事故分类模型的构建,给出了基于改进支持向量机煤矿事故分类模型的应用流程;对如何确定具体类型煤矿事故的致因影响进行了研究。针对煤矿系统中致因变量不确定性强,事故形成机理复杂,不好进行致因排查分析的问题,提出了煤矿事故模糊贝叶斯致因分析模型。将模糊理论应用于贝叶斯模型中,解决了致因变量的不确定性问题。运用结构学习与参数学习方法更好地挖掘出致因间的联系,使得致因变量间关系的表达和推理变得更加直观清晰。并针对传统结构学习方法K2算法构建模型效率不高,容易过学习的缺陷,结合人工鱼群算法对其进行了改进,提出基于人工鱼群-K2算法的结构学习方法。另外,基于煤矿事故模糊贝叶斯致因分析模型给出了模型的分析计算方法与分析流程。应用X煤电集团实例进行验证,结果表明:煤矿事故支持向量机分类推荐模型能有效对煤矿事故进行分类推荐与识别;煤矿事故模糊贝叶斯致因模型能快速准确确定具体类型事故的发生率、关键致因变量与致因变量排查顺序。这将大幅降低煤矿事故预防的工作量,提高致因排查的效率,减少事故的发生,具有很好的实际应用价值。该论文有图38幅,表22个,参考文献96篇。