煤矿瓦斯灾害是制约矿井安全生产的主要自然灾害之一，严重影响着工人的生命及财产安全，因此认识瓦斯灾害发生的规律和特征、实现瓦斯涌出量的准确预测是防治瓦斯灾害的有效手段，对加强煤矿安全生产有着重要意义。由于煤矿瓦斯系统是一个复杂的、时变的非线性动态系统，因此利用传统的线性预测方法建立的预测模型很难满足工程实际的需要。基于此，本文提出一种新的智能优化算法：混沌免疫遗传优化算法(Chaotic Immune Genetic Optimization Algorithm, CIGOA)，利用其与Elman神经网络(Elman Neural Network, ENN)有机融合，建立基于CIGOA-ENN耦合算法的非线性动态系统辨识模型，用于瓦斯涌出量的预测，为瓦斯灾害的防治提供决策服务。论文首先对Elman神经网络的性能进行了分析，介绍了其优缺点，对于该神经网络收敛速度慢、易早熟的问题，提出利用遗传算法对其进行改进。接下来分析了遗传算法(GeneticAlgorithm, GA)的运行机理，针对GA在求解多峰、高维、非线性优化问题时，容易早熟收敛的缺陷，论文引入人工免疫思想和混沌优化思想，对GA进行改进，提出了混沌免疫遗传优化算法。该算法在种群进化过程中，对个体进行克隆扩增、自适应交叉、混沌变异、免疫选择，以改善算法的全局搜索能力，提高其搜索精度。然后，将CIGOA与Elman神经网络融合，利用CIGOA对Elman神经网络的权值与阈值进行寻优，建立基于CIGOA-ENN耦合算法的瓦斯涌出量系统辨识模型，并利用矿井监测到的各项历史数据进行仿真。试验结果表明，该模型与BPNN、GA-ENN等神经网络预测模型相比，其收敛速度更快、收敛精度更高、鲁棒性更强，为解决煤矿瓦斯涌出量的预测问题提供了一个行之有效的方法。