针对急倾斜巨厚煤层掘进巷道冲击地压前兆信息挖掘不充分的困境,以新疆乌东煤矿急倾斜巨厚煤层掘进巷道的冲击危险预警为背景,探究了多项物理指标的演化规律,采用BP神经网络、随机森林(RF)、支持向量机(SVM)、梯度提升决策树(GBDT)等4种机器学习算法,分别建立了急倾斜巨厚煤层掘进巷道冲击地压的预测模型,并对各模型预测性能进行了验证和实例分析,明确了掘进条件下神经网络算法对急倾斜巨厚煤层各指标的敏感性分布。研究结果表明:机器学习算法能够有效提取出各物理指标发展趋势中蕴含的冲击前兆特征,其中BP神经网络算法的建模精度最高,相较于其他模型平均绝对误差分别降低了58.44%,55.64%, 26.37%; R2分数分别提高了11.25%, 8.37%, 3.66%;依据BP神经网络算法得到的各物理指标敏感性排序分别为A(b)值、b值、矿震活动度S值、等效能级参数EEM值、缺震值、算法复杂性AC值;应用R值评分法对乌东煤矿急倾斜巨厚煤层掘进巷道的冲击预警进行了效能验证,结果表明该模型预测准确率较好,总体预测准确率为90.65%,并成功预测了掘进期间的两次大能量事件,该方法适用于急倾斜巨厚煤层掘进巷道的防冲预警,建立的模型对于冲击地压危险的预测有着较好的潜力,研究结果可为类似条件下急倾斜煤层冲击危险的演化发展提供参考。