城市内盾构隧道掘进造成的地层扰动会导致地面沉降,影响地面建筑和交通道路的安全。扰动的程度受掘进参数、地层参数、隧道几何参数和异常工况等影响,基于有限元、地层损失率等方法难以考虑地表纵向沉降预测的多参数耦合作用,且难以满足及时、准确的预测要求。针对以上问题,本研究基于传统机器学习算法（BP神经网络和随机森林）和深度学习算法（长短期记忆神经网络和双向长短期记忆神经网络）建立盾构掘进地表纵向沉降预测模型,为盾构施工提供有效的地表沉降预警和控制策略。本研究的主要成果如下:（1）建立脚本化的纵向沉降数据库:综合考虑盾构掘进过程中影响地层响应的因素,选取隧道埋深、地下水位、修正标贯击数、修正单轴抗压强度、修正动探击数、掌子面土层类型、扭矩、推进速度、推力、土仓压力、刀盘转速、停机状态和刀盘距监测点的距离等13个输入参数,地表实时沉降值为输出参数。采用Python语言编写的脚本快速读取并处理地勘报告、掘进参数记录、盾构机施工情况以及地表沉降检测日报的数据,将所有输入、输出参数以环为储存单位整理成数据库形式。结果表明:数据库建立的脚本化可以大幅度提升数据处理的效率,并为算法模型训练数据库的构建和扩充提供快捷、准确的方法。（2）建立了基于机器学习算法的纵向沉降预测模型并对比研究4种算法的预测性能:基于BP神经网络、随机森林算法、长短期记忆神经网络和双向长短期记忆神经网络构建纵向沉降预测模型,采用粒子群和k折交叉验证法选取机器学习算法的最优超参数,设定循环学习率提高深度学习算法的预测性能和训练效率,通过性能评价指标（绝对平均误差MAE、皮尔森相关系数R）和纵向发展曲线预测结果对比不同算法的沉降预测性能。对比结果表明:BP神经网络的预测结果精度较低,难以捕捉纵向沉降的发展规律,双向长短期记忆神经网络的预测性能最好,预测的沉降发展过程与实际拟合较好,随机森林、长短期记忆神经网络次之。（3）提出以沉降控制为目标的掘进参数智能选取模型:采用双向长短期记忆神经网络训练数据库中沉降稳定值较小（小于10 mm）的数据得到掘进参数预测模型。在施工前,通过地层参数、隧道几何参数和异常因素预测得到掘进参数,采用纵向沉降预测模型检验沉降控制效果,并结合网格搜索法对控制效果较差的位置优化掘进参数,以满足沉降控制要求。结果表明:基于掘进参数预测值导致的沉降值小于实际沉降值,掘进参数智能选取模型可以通过掘进参数的预测和优化实现沉降的有效控制。（4）开发盾构掘进地表沉降预测和控制智能软件:基于安卓平台,集成盾构掘进纵向沉降预测模型以及掘进参数智能选取模型,开发了一款能配套盾构机监测系统实时预测最大地表沉降、纵向沉降和掘进参数的移动设备应用软件。结果表明:该智能软件的界面简洁、操作简单,可以同步盾构机掘进过程进行实时的地表沉降预测以及掘进参数推荐。