为了有效地提取关键信息的多尺度特征,从而提高瓦斯浓度的预测精度﹐提出了一种多尺度卷积和注意力机制的门控循环单元神经网络模型(MCA-GRU)。首先将处理后的瓦斯浓度数据经过多尺度卷积层,提取到数据的多尺度特征;其次经过空间注意力模块对特征信息进行注意力权重分配,以捕捉时序数据中的重要模式和动态变化;最后经过GRU层充分提取时间序列的相关性信息。本模型能够有效获取并聚焦瓦斯浓度时间序列的重要特征,从而提高瓦斯浓度的预测精度。以某矿瓦斯监测数据为样本,该模型与传统CNN-LSTM模型和CNN模型的对比结果表明:MCA-GRU模型克服传统预测方法无法获取多特征和关键信息的缺点，其总体预测效果最优,尤其在预测峰谷值时更为突出﹔MCA-GRU模型的泛化能力较强﹐与 CNN-LSTM模型相比,其平均绝对误差和均方根误差分别降低了14.3%和20 %,R2提高了4.5%。