矿井工作面回采过程中对含水层产生扰动后易导致工作面涌水量增大,威胁矿井安全生产,对工作面涌水量进行准确预测,可以有效防止水害事故发生.对基于深度学习模型的工作面涌水量多特征预测方法进行了研究,结合涌水量数据特点及现场实际情况,选择“双含水层水位＋微震事件最大发生高度”作为特征数据,建立基于VMD-iCHOA-GRU 的矿井回采工作面涌水量多特征预测模型,同时在不同数量特征组合下、单目标情况下和不同工作面数据下进一步验证多特征模型的预测效果.结果表明:VMD-iCHOA-GRU 模型的涌水量预测结果的评价指标MAE、RMSE、MAPE 分别为53.56 m3/d、62.98m3/d、3.1％,均优于其他对照模型,其预测精度最高;多特征模型的预测精度均高于单因素模型和其他各类组合的单特征、双特征模型,且特征数据与研究目标间的相关性越强,越有利于提高预测精度;在不同工作面数据下该模型的预测效果均较好,验证了该模型具有相对稳定性和一定扩展性.研究成果为矿井回采工作面涌水量预测提供了新思路和新方法,对矿山防治水工作具有科学的指导意义和参考价值.