通风阻变型故障会导致矿井风流供需失衡,影响矿山生产安全。针对目前机器学习易误判和陷入局部最优解的问题,提出了基于贝叶斯优化集成学习的矿井通风阻变型故障诊断方法,提升模型的准确性和稳健性。基于矿井通风网络故障诊断数据集,构建了6种代表性集成学习模型,并通过贝叶斯算法优化其超参数,最后系统分析了集成学习在矿井通风阻变型故障诊断中的可行性和适用性。仿真试验结果表明:贝叶斯优化集成学习方法可有效辨识和诊断矿井通风阻变型故障,其中极度随机树、XGBoost、LightGBM模型诊断准确率为100%,明显优于常见的机器学习模型。综合模型准确性和确定性程度看,推荐采用XGBoost与Light　GBM算法进行矿井通风阻变型故障诊断,其诊断准确率高,不确定性程度低,可为矿井智能化通风提供理论依据与方法指导。