随着我国交通运输的迅速发展,隧道工程的建设案例逐渐增多。近年来,新建隧道呈现出“大、长、深”和复杂地质的发展趋势,这就对隧道施工和运营期的安全提出了更高的要求。因此,隧道变形相关数据的自动化监测、各项监测数据的预处理、隧道变形动态的预测和隧道安全监测系统的应用等显得尤为重要。为此,本文对掌子面信息识别、监测数据预处理、隧道变形预测模型和隧道安全监测系统展开了研究。（1）本文对隧道工程发展现状和隧道安全事故进行了总结分析,阐述了隧道安全监测的重要意义,分析了监测项目的特点、监测方法和使用方法。针对掌子面信息的利用,提出了利用图卷积神经网络（Graph Convolutional Network,GCN）识别掌子面的岩石种类、湿润度和节理的方法。并基于工程实例对比其他方法验证了本文掌子面信息识别方法的合理性与有效性。（2）分析了隧道自动化监测的特点与问题,阐述了自动化监测潜在监测数据污染问题。总结分析了多种隧道监测数据单值缺失差值和粗差定位的方法,研究了基于相关性分析的移动窗口进化差分算法（Differential Evolution,DE）-长短期记忆网络（Long Short Term Memory,LSTM）的单值缺失的插值方法,并研究了基于误差阈值的DE-LSTM隧道监测数据粗差定位方法,为隧道变形预测提供了准确的原始数据。并基于工程实例对比其他方法验证了上述方法的合理性与有效性。（3）总结对比了各隧道变形预测方法的特点,结合隧道安全监测的特点和需求,针对性建立了基于长短期记忆网络的隧道变形预测模型,研究了改进进化差分算法对长短期记忆网络超参的优化方法,并利用图神经网络建立观测点间的联系,建立了基于GCN-DE-LSTM模型的隧道变形预测组合模型。基于工程实例对比其他模型验证了本文模型的预测精度,并研究了组合模型中的关键参数对模型预测精度的影响。（4）研究了隧道变形监测系统的构建方法,建立了基于GCN-DE-LSTM模型的隧道安全监测全过程的计算方法,并设计了隧道变形监测系统的处理方法与交互界面。并基于工程实例对比其他方法验证了本文系统的计算效率。