Se ha realizado una extensa investigación sobre las ecuaciones diferenciales parciales que rigen la teoría del flujo de gas en minas de carbón. Sin embargo, el algoritmo de reducción de orden tradicional de Descomposición Ortogonal Propia-Función de Base Radial (POD-RBF) requiere recursos computacionales significativos y es ineficiente al calcular datos de alta dimensión para los campos de presión de gas en minas de carbón. Para lograr el cálculo rápido de los campos de presión de extracción de gas, este documento propone un método de reducción de modelo basado en redes neuronales profundas (DNN) y autoencoders convolucionales (CAE). El CAE se utiliza para comprimir y reconstruir soluciones numéricas de orden completo para la extracción de gas en minas de carbón, mientras que el DNN se emplea para establecer el mapeo no lineal entre los parámetros físicos de la extracción de gas y los parámetros del espacio latente del modelo de orden reducido. El modelo DNN-CAE se aplica a la modelización de orden reducido de modelos matemáticos de acoplamiento flujo-sólido de extracción de gas en minas de carbón. Se construyó un conjunto de datos numéricos del campo de presión del modelo de orden completo para la extracción de gas, y se determinaron los hiperparámetros óptimos para el modelo de reconstrucción del campo de presión y el modelo de predicción de parámetros del espacio latente a través de pruebas de hiperparámetros. Se comparó el rendimiento del algoritmo de reducción de orden del modelo DNN-CAE con el algoritmo de reducción de orden del modelo POD-RBF. Los resultados indican que el método DNN-CAE tiene ciertas ventajas sobre el método POD-RBF tradicional en términos de precisión de reconstrucción del campo de presión, retención de la estructura general, captura de extremos y eficiencia computacional.