La ocurrencia de un estallido de roca puede causar desastres significativos en la ingeniería de rocas subterráneas. Es crucial predecir y prevenir los estallidos de roca en túneles profundos y minas. En este documento, se investigaron las deficiencias de los algoritmos de aprendizaje en conjunto en la predicción de estallidos de roca. Con el objetivo de abordar estas deficiencias, se propuso un nuevo modelo de aprendizaje automático, el bosque profundo, para predecir el riesgo de estallidos de roca. El bosque profundo combina las características del aprendizaje profundo y los modelos en conjunto, lo que puede resolver problemas complejos. Para desarrollar el modelo de bosque profundo para la predicción de estallidos de roca, se recopilaron 329 casos reales de estallidos de roca para construir una base de datos integral para análisis inteligente. Se propuso la optimización bayesiana para ajustar los hiperparámetros del bosque profundo. Como resultado, el modelo de bosque profundo logró una precisión de entrenamiento del 100% y una precisión de prueba del 92.4%, y tiene una capacidad más destacada para predecir desastres por estallidos de roca en comparación con otros modelos ampliamente utilizados (como bosque aleatorio, modelos de árboles de refuerzo, red neuronal, máquina de vectores de soporte, etc.). Los resultados del análisis de sensibilidad revelaron el impacto de las variables en los niveles de estallidos de roca y la aplicabilidad del bosque profundo con unos pocos parámetros de entrada. Finalmente, se utilizaron casos reales de estallidos de roca en dos minas de oro en China con fines de validación, mientras que los conjuntos de datos necesarios se prepararon mediante observaciones de campo y pruebas de laboratorio. Los resultados prometedores del modelo desarrollado durante la fase de validación confirman que puede ser utilizado con un alto nivel de precisión por ingenieros en ejercicio para predecir la ocurrencia de estallidos de roca.