燃煤发热量的精准预测和评价是煤质分析和热工计算的重要基础。本文针对氧弹发热量测量法不具备实时监测煤炭质量变化的问题，提出了一种由仿生算法FA-GA联合优化BP神经网络的燃煤发热量预测方法。将774组燃煤锅炉常用煤的工业分析及元素分析数据进行预处理，根据平均影响值对煤质指标进行特征变量筛选，最终建立FA-GA-BP的发热量预测模型，并从误差评价指标、迭代次数等方面对优化算法寻优能力和模型预测精度进行了检验。结果表明，经过特征变量筛选后模型的预测精度提升至0.9561；FA-GA联合算法与单一优化算法FA、GA、PSO相比，迭代次数显著减少，算法的全局搜索能力得到有效提升；FA-GA-BP模型与单一优化模型FA-BP、GA-BP、PSO-BP以及目前常用的发热量模型MLR和SVR相比，精度更高，相关系数可达0.9845，可为有效监测入炉煤质实时变化提供一种新方法。