为了弥补现有方法判识结果缺少实际水循环的支撑与验证，以及对实际采矿过程中 涌( 突) 水现象与矿井立体水文地质模型等结合不足的问题，提出一种基于水化学场机器学习分析 与水动力场反向示踪模拟耦合的矿井涌(突)水水源综合判识技术。 该技术首先利用水文地球化 学的原理揭示矿井涌(突)水及其可能来源含水层(水体)的水化学特征，利用特征的相似性对 涌(突)水来源进行定性分析;随后利用机器学习算法对涌(突)水来源进行定量判识;最后建立渗 流场数值模型，实现涌(突)水来源的再验证与涌水路径的可视化输出。 以曹家滩煤矿为工程实 例，运用该方法对 122108 和 122109 两个工作面的涌水来源进行判识，研究结果表明:随着深度的 增加，研究区地下水中阴离子始终以 HCO-3 为主导，而阳离子则呈现由 Ca2+ 为主导过渡到 Na+ +K+ 为主导的趋势;支持向量机(SVM)需要额外利用遗传算法(GA)等方法对惩罚系数 c 和核函数参 数 g 进行优选，而随机森林(RF)无需复杂的参数设置和优化便能得到较为满意的性能，且具有更 高的准确性;矿井涌(突)水渗流场可视化模型反向示踪显示 122109 工作面在红土隔水层“天窗” 附近，存在第四系含水层地下水通过导水裂隙带涌入工作面的情况。 该技术判识出 122108 工作面 涌水来源于直罗组和延安组含水层地下水，122109 工作面涌水来源于第四系含水层地下水，判识 结果与工程实际情况相吻合。