本文针对近年来我国频繁发生的矿难事故，依托煤矿救灾机器人平台，结合矿难事故后煤矿井下危险环境的特点，设计了一套煤矿井下多传感器信息采集系统，同时提出一种基于粗集一神经网络的煤矿井下环境危险度的新算法，对煤矿环境做出准确实时的评估。该系统采用飞思卡尔公司最新推出的16位单片机MC9S12DG128B作为控制核心组成智能节点，对矿难发生时特征比较明显的有毒有害气体、温度、风量等几种传感器的信息进行采集以及融合处理，同时为了简化系统结构，提高系统的可靠性，智能节点通讯采用CAN总线结构。这样充分结合了MC9S12DG128B处理速度快，易扩展和CAN总线数据传输的可靠性、开放性，在硬件上保证了危险环境探测的实时性和准确性。在控制算法上，神经网络具有并行处理、信息分布存储等特点，可通过训练、学习产生一个非线性映射，自适应地对数据进行聚类，同时具有较好的抑制噪声干扰的能力和较强的鲁棒性。其缺点是当输入信息空间的维数较大时，网络不仅结构复杂，而且训练时间也很长。而粗集可对数据进行属性约简和值约简，消除样本中的噪声和冗余对象。这两者的结合不仅可以减小网络的规模，同时通过消除对象冗余可减少网络的训练和学习负担，还可以通过消除噪声提高神经网络预测的准确性。本文根据神经网络的自学习能力强和粗集理论属性约简的特点，结合煤矿井下复杂环境详细论证了两者结合的原理、算法及实现过程，将其结合起来形成粗-神经网络算法实现对煤矿井下环境危险程度的评估。仿真结果表明，该粗神经网络能够准确评估处煤矿井下环境危险的程度，有较强的抗干扰能力和较高的准确度，从而验证了系统的有效性和可行性。