随着我国传统能源的日益枯竭,作为新能源的煤层气因其储量丰富、环保可靠、燃烧彻底等优点越来越受到重视,但由于排采不当而造成煤层气资源的过度浪费,因此构建适合煤层气产能的预测模型对煤层气井产能进行可靠、科学的预测势必为煤层气的开采工作提供一定的便利,从而一定程度上提高煤层气的排采效率本文首先对传统浅层神经网络中的经典BP神经网络的理论以及学习过程进行介绍,利用BP神经网络的非线性回归预测能力构建适合研究区块的煤层气产能预测模型,但BP预测模型在训练过程中存在容易陷入局部最优值,以及增加隐含层的层数引发梯度弥散的缺陷,接着利用遗传算法的搜索寻优能力对BP神经网络的阈值及权值进行优化,虽然一定程度上避免了上述缺陷,但仍然存在浅层模型在面临多维数据时精度低的问题针对上述问题,本文将深度信念网络与共辄梯度法相结合的模型应用于煤层气井的产能预测上,利用共轭梯度法对DBN网络的权重矩阵进行优化,从而加快训练速度以及提高预测精度,同时结合研究区块的地质背景以及主要地质风貌,对采集到的原始数据统一进行归一化处理消除不同指标之间的量纲影响,并采取实验的方法确定DBN模型的最优结构以及权重的更新方式。本文结合煤层气排采数据的特点,构建基于深度信念网络的预测模型并将其应用于煤层气的产能预测上,与传统的BP神经网络相比,该模型避免了传统BP神经网络模型在训练过程中容易陷入最优值以及随着隐含层层数增加发生梯度弥散的缺陷,并且在GA优化BP神经网络的基础上提高了预测精度。与浅层模型在面对多维地质因素时相比,表现出较好的预测能力。