针对岩爆烈度等级预测模型构建时样本数据不均衡和预测准确度不高的问题,在岩爆样本数据均衡化策略下,融合贝叶斯参数优化算法(BO)和多头注意力机制(Multi-head Attention),提出了一种基于卷积神经网络(CNN)和长短期记忆网络(LSTM)的岩爆烈度等级预测模型(BO-CNN-LSTM-Multi-head Attention).收集国内外224组岩爆案例,并采用Box-Cox变换和支持向量机合成少数类过采样技术(SVM SMOTE)对岩爆样本数据进行正态化和平衡化处理.将处理后的数据集输入CNN-LSTM 预测模型进行训练和预测,并逐步使用贝叶斯参数优化算法、多头注意力机制对模型进行优化.模型预测结果表明:Box-Cox变换与SVM SMOTE采样可以有效减少离群点和数据不平衡对模型的影响,增强数据集可分性;BO-CNN-LSTM-Multi-head Attention岩爆烈度分级预测模型预测准确率为95％,该模型能有效提升岩爆烈度预测在样本数据不均衡情况下的预测精度,具有较高的可行性和实用性.