随着国家高速铁路规模的快速发展，无砟轨道路基铺设已经成为了影响高速铁路运行速度、运营寿命以及安全性的主要因素。路基沉降受气候、地质等多方面因素的影响，沉降过程十分复杂。当前所采用的预测方法主要是参数拟合法。参数拟合法是在假定沉降规律的求解方法，样本学习能力以及模型的泛化能力较差，甚至会出现拟合失败导致数据发散等问题。论文首先针对几种常规算法的原理进行分析对比和实测数据论证，而后针对其学习能力差的缺点引入神经网络算法。神经网络具有良好的非线性映射能力，能够很好地逼近任意阶的函数。同时针对神经网络学习速度慢、容易陷入局部极小值等缺点进行了改进；而后将BP神经网络和路基沉降模型相结合，建立了以前四组沉降值为四维属性后一组沉降值为结果的输入输出数模型，而后通过实测数据进行验证分析，大大提高了预测模型的学习能力。但神经网络是基于经验风险最小的原则，因此学习能力很强但泛化能力依然很弱。支持向量机是基于结构风险最小化的算法，能够在小样本数据下建立非常好的非线性映射模型，克服了神经网络容易陷入局部极小值的缺陷。本文采用支持向量机建立和神经网络相同的输入输出模型，通过相同的实测数据验证分析，模型的后期预测能力大大提高。最后通过两组实测数据对所有预测模型进行对比，结果表明神经网络很好地解决了常规算法学习能力差的特点，支持向量机在提高样本能力的同时，很好地解决了神经网络过分依赖经验的缺陷，大大提高了模型的泛化能力。