矿山排土场的灾害监测预警尚处于初级阶段,但矿山排土场灾害事故的频繁发生,造成大量的人员死伤、财产损失及对社会恶劣的影响。随着各类型的传感器相继应用于对矿山排土场的安全监测,实现对矿山排土场安全状况进行短时的预警机制,对提升相关企业在处理相应灾害事故的主动性有着重要的研究意义。本文针对矿山排土场的安全预警现状展开研究,开发了 B/S与C/S混合架构的矿山排土场监测预警系统,对矿山排土场的各特性指标数据进行实时采集,实现了对排土场的各指标的实时监测需求。首先,通过对采集的历史数据进行主成分和关联性分析,确立了以地表位移为主,多变量融合的矿山排土场预警目标;其次,在对矿山排土场的数据进行分析与挖掘基础上确立了基于AdaBoost的粒子群优化极限学习机的集成学习预测模型,通过粒子群算法的寻优避免了极限学习机相关输入参数人为选择的局限性和AdaBoost的集成思想提升极限学习机的预测精度,实验表明,该模型在离线预测阶段,取得了较好的效果;再次,考虑到长期内矿山排土场的相关数据存在大量积累与出现动态波动现象,离线模型无法满足实时预测需求,提出了自编码的自适应在线循环极限学习机模型,该模型结构由两层自编码网络和一层RNN网络组成,通过RNN网络、自编码器与自适应遗忘因子的加入,使得模型的相关权重能够由新的输入数据流确定,同时消除噪声数据的干扰与增强模型的抗干扰性,实验表明,提出的模型在预测精度和效率上较其它相关模型表现更优;最后,为应对将来海量的矿山排土场数据累积,提出基于分布式自适应在线极限学习机算法模型,通过分布式系统进行预测任务,实验表明,并行算法改进的有效性,分布式系统在海量数据处理的高效性。