随着城市的发展，城市土地资源日渐紧张。为了更加有效的利用土地资源，高层、超高层建筑日益增多，建筑深基坑也向更大更深的方向发展。这些城市中的深基坑工程周边环境往往很复杂，常存在许多既有的建筑及构筑物，比如高层建筑、城市道路、高架桥、隧道、地铁站和市政管线等。由于这些既有建筑和构筑物的存在，城市中的深基坑施工面临许多不利因素和安全风险。同时，近年来，自动化监测技术的快速发展使得深基坑的监测信息具有更好的全面性和时效性。因此，如何充分利用深基坑紧邻环境的监测信息实现紧邻安全的预测和控制具有深远的意义。本文在深基坑紧邻环境监测信息智能识别和预测方法方面进行了一系列研究，并依托上海徐家汇项目深基坑工程进行了工程实例验证。
　　智能识别的研究包括信息缺失异常处理、信息聚类与统计分析。本文整理并分析了现有的缺失数据与异常数据处理方法，对比了现有处理方法的原理、优缺点和适用范围，然后针对深基坑紧邻环境监测数据时间跨度长、变化范围大，紧邻测点信息相近等特点，结合多种传统方法提出了适用于深基坑紧邻环境的缺失数据和异常数据综合处理方法，能达到更高的处理效率和准确度。在此基础上，提出了基于高斯混合聚类的监测信息聚类方法，根据测点的位置、监测值变化趋势等特征对监测点进行聚类运算，并通过工程经验初选核心测点实现了算法改进，优化了结果并提高了59.6%的计算效率。在每个聚类中选取代表性测点，统计各聚类的概率参数，从而实现监测信息的筛选和精简。通过信息智能识别的结果掌握深基坑紧邻环境的整体情况，为高效预测奠定了基础。
　　通过监测信息智能识别得到聚类代表性测点与概率参数后，基于长短时记忆神经网络（Long short-term memory，LSTM）对其进行了预测。建立深基坑紧邻环境长短时记忆神经网络预测模型，应用训练集进行模型训练，采用随机搜索法基于验证集对不同模型进行超参数选优，然后基于最优模型对测试集进行直接预测，得到了较准确的预测效果，对隧道垂直位移监测数据的聚类7的代表性测点和概率参数预测误差RMSE分别达到了0.3294和0.2987，验证了该模型的有效性。在此基础上利用实测数据开展更新预测，更新预测对代表性测点和聚类概率参数的预测误差分别下降了56.0%与74.5%。
　　最后将所提出的智能识别和预测方法应用于上海徐家汇项目深基坑工程，对隧道结构位移、围护结构位移、坑外地表沉降和地下水等深基坑紧邻环境要素进行了工程应用，验证了本文研究内容在深基坑紧邻环境研究领域的适用性。