岩石隧道工程一般采用全断面硬岩隧道掘进机（full face tunnel boring machine,TBM）进行施工,速度快、效率高、经济效益显著。实际工程显示,TBM掘进过程受多种因素影响,主要有围岩地质条件和机器参数,各因素之间具有复杂的关联关系与较强的不确定性。目前,TBM掘进过程中会出现各种施工情况,导致施工推进速度缓慢。为了提高施工进度、节省施工成本、增强智能化程度,建立速度预测模型具有重大的工程价值和重要的科学意义。通过研究,为了建立可靠的施工预测模型,提高施工速度,本文采用优化后的麻雀算法（sparrow algorithm,SSA）优化支持向量回归算法（support vector regression algorithm,SVR）,通过数据分析,分别将围岩参数—软弱结构面平均间距、单轴抗压强度、结构面与隧洞轴线的夹角和机器参数—刀盘转速、滚刀推力、刀盘转矩,六个参数作为输入参数,以掘进速度（penetration rate,PR）为掘进效率指标作为输出参数,建立TBM掘进速度预测模型。将优化后的TSSA-SVR（Tent,T）模型与SSA-SVR、PSO-SVR（particle swarm optimization,PSO）进行对比分析,本文的主要工作如下:（1）对掘进速度影响因素进行分析,建立数据库,对数据进行预处理,剔除非工作状态以及异常样本,尽可能提高数据可靠性,利用随机森林（random forest,RF）选取参数,确定最终训练样本,对所需训练样本与掘进速度分析其相关性,并建立基于TSSA-SVR的TBM掘进速度预测模型。（2）根据分析刀盘驱动系统是影响掘进速度的主要因素,但目前存在多电机不同步问题,将会造成刀盘受力不均,出现崩盘的可能,针对此问题,本文对比偏差耦合同步控制,主从同步控制与并行同步控制,选择合适的控制策略,解决刀盘与电机不同步出现的过载或轻载问题。（3）基于建立的TSSA-SVR掘进速度预测模型,分析影响因素与掘进速度之间的相关性。针对SSA易于陷入局部解问题,引入t分布与混沌映射对SSA进行改进,利用TSSA算法对SVR进行参数优化。在北京房山区某地工程实践中对所提方法的实用性进行验证,讨论比较PSO-SVR、SSA-SVR、TSSA-SVR三种算法的掘进速度预测表现,通过分析论证,TSSA-SVR具有精度高、计算稳定性好以及迭代速度快的优点,为TBM掘进速度预测提供了一条新途径。该论文有图52幅,表16个,参考文献93篇。