矿井工作面涌水量预测对确保矿山安全、优化资源配置、提高工作效率等都具有重要作用。为提高预测结果的准确性和稳定性，基于钻孔水位和微震能量数据与涌水量的强关联性，选择其作为多因素特征变量，提出SSA-CG-Attention多因素矿井工作面涌水量预测模型。该模型在门控循环单元(Gated Recurrent Unit,GRU)提取时序特征的基础上，与卷积神经网络(Convolutional Neural Network,CNN)融合形成新的网络结构提取数据的有效非线性局部特征，并且加入注意力机制(Attention)，在预测过程中将注意力集中在输入元素上，提高模型的准确性。最后通过麻雀搜索算法(Sparrow Search Algorithm,SSA)优化模型参数，避免局部最优解的问题。将提出的模型分别与传统的BP神经网络、LSTM、GRU单因素涌水量预测模型以及MLP、SLP、SVR、LSTM、GRU、SSA-LSTM、SSA-GRU多因素涌水量预测模型的预测结果进行对比分析，结果表明：SSA算法以最少迭代次数快速寻优，避免了局部最优解的缺陷；SSA-CG-Attention多因素涌水量预测模型整体预测指标绝对误差(EMA)、均方根误差(ERMS)以及平均绝对百分比误差(EMAP)分别为5.24 m3/h、7.25 m3/h、6%，指标方差和为8.9。相较于其他预测模型预测精度更高，相较于单因素涌水量预测模型，多因素涌水量预测模型预测结果更加稳定。研究结果为矿井工作面涌水量预测提供了新的思路与方法，对矿井工作面涌水量预测及防控有着借鉴与指导作用，具有一定的理论价值和现实意义。