为了快速而准确地判别煤矿突水水源类型，提出了一种构建多层正则极限学习机(M-RELM)模型的方法，该模型融合了非线性特征提取和分类学习。以激光诱导荧光(LIF)技术获取水样荧光光谱，作为模型的输入；以改进的自动编码器(AE)提取荧光光谱特征，形成模型隐含层的特征空间。为了减少光谱中噪声和异常对分类结果的影响，对极限学习机(ELM)算法进行了正则化优化，根据是否利用未知样本构造训练集，进行L2范数正则极限学习机(L2-RELM)或基于图的流形正则极限学习机(GM-RELM)优化，实现监督或半监督的