传感器监测数据结合神经网络预测模型是矿井带式输送机运行状态预测的主流方法，但利用接触式传感器对带式输送机运行状态进行监测存在安装不便、数据误差大等问题，导致带式输送机运行状态预测精度不高。针对该问题，提出了一种基于音频信号的矿井带式输送机运行状态预测方法。首先，采用高通滤波器和Boll谱减法对带式输送机运行时的原始音频信号进行滤波降噪处理。然后，通过预加重、分帧加窗、傅里叶变换、梅尔滤波器能量计算、离散余弦变换等提取音频信号的梅尔频率倒谱系数(MFCC)第1维分量(MFCC0)，并输入至残差块优化的卷积神经网络结合长短期记忆网络(Res-CNN-LSTM)预测模型，以减少预测模型的输入数据量。最后，通过添加残差块的CNN自适应提取带式输送机音频信号的MFCC0空间特征并对数据进行降维，基于LSTM提取降维数据的时间特征，从而提高带式输送机运行状态预测精度。实验结果表明，MFCC0可有效表征带式输送机不同运行状态时的音频信号特征；与CNN，LSTM，CNN-LSTM模型相比，Res-CNN-LSTM模型对带式输送机运行状态的预测更准确。