锤击法成桩的收锤标准是沉桩质量评估的重要指标,随外部因素的变化而变化。工程地质条件和桩土相互作用关系的复杂性导致了收锤标准的不确定性,仅仅以贯入度控制为锤击法成桩的收锤标准难以满足工程实际需求,如何结合液压锤的性能,在贯入度的基础上丰富收锤标准指标组合,多维度体现锤击成桩的质量状态,是液压锤锤击成桩质量监测技术中亟待解决的问题。因此,本文从沉桩施工收锤标准的影响因素出发,结合机器学习方法对锤击成桩过程参数建立基于沉桩状态预测的机器学习模型,实现对不同沉桩状态和桩端土层信息的智能识别,为桩工建筑行业的发展提供新的研究方向。本文首先从液压打桩锤锤击法成桩过程机理出发,通过多维组合指标表征收锤标准并对沉桩状态进行划分标定。通过核密度估计的统计分析方法对所采集的训练、测试数据进行独立同分布验证。通过皮尔逊相关系数和预测能量分数的融合分析方法对多维组合特征进行约简和分析得出影响沉桩质量的关键因素。算法实验结果表明,通过地勘信息的先验知识来改进BP神经网络的输出层结构能够较好识别沉桩过程桩端的土层信息,测试集识别率为94%;基于贝叶斯优化和Ada Boost的融合算法相较于传统机器学习方法对沉桩状态的识别具有更高的准确率。其次,本文通过LabVIEW软件搭建由计算机、声卡、声音传感器组成的声音信号采集系统对沉桩过程的声音信号进行实时采集。通过改进的高斯降噪算法对液压锤锤击桩头所产生振动的声音信号进行重构分解,经过信号预处理和线性预测倒谱系数算法进行了特征提取。通过算法实验的对比,验证了基于声学信号处理的沉桩质量监测方法的可行性,其中,基于高斯核函数的支持向量机算法对不同阶段沉桩声音信号具有较好的识别效果,其测试集准确率达到91%以上。针对沉桩各状态采样不均衡导致的数据偏态问题,本文对沉桩状态的预测模型进行了相应的优化和改进,提出了数据采样合成与传统机器学习的融合训练方法、深度学习与数据采样合成以及改进多分类Focal Loss损失函数的融合方法、基于类别权重分配的训练方法。针对收锤阶段和刚入设计持力层阶段样本的不均衡情况,采用召回率、精确度、F-measure、G-mean作为相应地算法评估指标。经算法实验对比,验证了上述方法对样本不均衡问题的改进作用。