随着国民经济持续、稳定、快速的发展，我国不断加大了对基础设施的投资，隧道工程的兴建也越来越多。隧道修建于地质条件复杂的岩土体中，岩土体具有很大的随机性、模糊性、不确定性和信息不完整性，因此如何确定岩土体力学参数是一个比较困难的问题。大量的研究表明，反分析技术有望解决这个问题。本文提出一种将BP人工神经网络与遗传算法相结合的、基于MATLAB神经网络工具箱和遗传算法工具箱实现的围岩位移智能反分析方法，并将该方法在雪峰山公路隧道中进行应用，以评价该方法的实用性、可行性。该反分析方法充分利用了BP神经网络对非线性函数强大的映射能力、自学习能力和推广能力，建立了反演参数与围岩位移之间的映射关系。它是一种优化反分析方法，即把参数反分析问题转化为一个目标函数的寻优问题，其计算过程与正分析相似，先给出一组参数试探值，利用神经网络进行计算求解，然后比较计算值和实测值的误差，通过优化方法修正参数试探值，重复以上步骤直到计算值逼近实测值，即可认为此时的参数为真实值。本文分别采用正交试验设计法、均匀试验设计法设计BP神经网络的训练样本、检验样本的试验方案，并基于各试验方案下的参数组合用FLAC^3D进行隧道开挖支护模拟以获取围岩位移信息。以各参数组合作为网络的输入，以围岩位移信息作为网络的输出，这样就建立了BP神经网络的训练样本和检验样本。在传统BP算法的基础上，本文采用附加动量法和学习速率自适应调整策略对算法进行改进，这样加快网络的训练速度，确保了网络的稳定性。通过引入调整学习速率参数，使得传递过程更加敏感，也加快了传递函数的收敛速度，提高了训练函数的计算精度。在反分析的过程中，用遗传算法搜索最优的神经网络结构，并用改进BP算法训练此网络，最后用后验差检验方法进行结果检验，以证明神经网络的预测能力。在此基础上，将训练好的神经网络结合遗传算法进行参数反分析，即从反演参数的全局空间上搜索最优值。将本文所研究的位移反分析方法应用于雪峰山隧道Ⅲ类围岩地段，以实际围岩位移监测值为基础，对围岩弹性模量和初始地应力侧压系数进行反演，结果是令人满意的，证明了本文所介绍的反分析法准确、可靠，具有一定的适用性。