随煤层开采深度的不断增加，煤矿生产过程中面临着复杂的突水机理和多变的突水主控因素，且各因素间相互联系的不确定性，使底板突水预测的难度不断增加。为准确预测底板突水危险性，针对底板突水的小样本、非线性问题，首先利用遗传算法(Genetic Algorithm，GA)将网络随机赋值的初始权值和阈值初次优化，再选取搜索能力强、稳定性较好的麻雀搜索算法(Sparrow Search Algorithm，SSA)对权值和阈值进行二次寻优，从而建立SSA-GA-BP神经网络底板突水预测模型。分析整理山东省滨湖煤矿地质及水文地质资料，选取含水层水压、含水层厚度、隔水层厚度、断层密度、断层分维值、渗透系数、单位涌水量、底板破坏深度共8个因素，作为预测底板突水的主控因素，绘制各主控因素3D映射投影曲面图；利用Surfer软件中的克里金插值法提取50个数据点作为模型的输入样本(分为训练集40个，测试集10个)，对模型进行训练学习，训练误差精度达到要求后，对滨湖煤矿3个未开采工作面的12个数据点进行突水危险性预测。为了验证所建模型的准确性，利用BP、GA-BP、SSA-GA-BP这3种模型对测试集进行预测；为避免模型仅与BP网络预测对比的片面性，同时选取以熵权法确定权重的模糊综合评判法对测试集进行预测；将各网络模型及方法的预测结果与实际值进行对比分析。结果表明：基于SSA优化的GA-BP神经网络模型突水预测误差较小，预测结果准确率更高，为矿井水害预测预报提供了科学的评价方法和理论依据。