矿井突水预测是当前煤矿生产亟待解决的重大课题,现有突水预测方法侧重预测结果的分析,忽略了对预测数据的科学认识以及对预测过程的动态描述，而机器学习与数据挖掘技术为解决这些问题提供了可行的思路。针对矿井突水数据挖掘的难题，将最新的非线性降维技术-流形学习（ML）应用于突水数据降维处理和本质特征提取，并结合SVM优选数据集和特征空间，为突水预测提供精练可信的数据源；在此基础上研究基于SVM的矿井突水数据挖掘方法，对其中涉及的多类SVM算法、聚类SVM算法、核函数的构造与核空间的分析方法进行研究，建立矿井突水数据挖掘的SVM-ML理论与技术体系。本项目旨在研究一种以发现突水预测知识为主导的新型突水预测技术，能模拟突水预测由粗到精、由繁到简、由黑到白的演变过程，弥补现有突水预测理论在该方面的不足。研究成果将丰富和完善SVM、ML理论，并能直接应用于矿井突水预测的实际工作中。