近年来,我国经济与科技高速发展,地面交通工具数量激增,随之而来的城市交通压力剧增。城市交通立体化发展、城市地铁和地下空间协同发展成为缓解城市交通压力的主要途径,而盾构法便是地铁区间隧道的主要工法。在实际的盾构施工中,所依托的地勘资料无法详尽实际施工中遇到的各种地质情况,因此亟需开展盾构掘进参数与地层条件之间的关联性研究,进行盾构掘进参数优化控制与地质预测,从而保证盾构掘进施工的安全与高效。本文依托济南地铁2号线的现场盾构掘进数据开展盾构掘进状态研究。主要研究内容及结论如下:（1）依托工程地质资料将盾构数据划分七个盾构区间,采集盾构掘进数据,对数据进行特征统计分析,得出盾构掘进参数在各个地层中的分布特点,并得到正常掘进状态下的参数调节范围。对盾构掘进行为参数进行相关性分析,发现刀盘贯入度与推进速度、滚动角与俯仰角、推进压力与总推进力等参数之间相关性较强,其他参数间的相关性不明显。（2）通过比推力与比扭矩之间的关系,对盾构掘进状态进行分析。依托线性回归算法确定上下界限,并将坐标系划分为三个空间,对应不同的掘进状态,根据坐标系界限来筛选异常掘进状态的环号,通过与盾构推进速度的纵向趋势图比对,发现大部分掘进状态异常点的推进速度在趋势图上均表现为异常升降状态。（3）基于盾构掘进数据和工程地质数据分析,从选定盾构区段中筛选出四种等级的围岩,并通过KNN、Adaboost、随机森林等机器学习算法进行围岩质量识别。分析得出,在Ⅲ、Ⅳ级组合围岩、Ⅳ级围岩和Ⅳ、Ⅴ级组合围岩的识别中KNN算法模型的预测效果均表现最优,Ⅴ级围岩识别中随机森林均最优。为更详尽地识别地层信息,采用高斯混合的方式对四种特殊地层进行地层的聚类识别,经过分析,大部分地层的识别精度在95%以上,仅有一处地层的识别效果在80%左右,整体来看模型具有较好的可靠性。（4）基于XGBoost、BP神经网络、卷积神经网络、粒子群算法优化的支持向量机等机器学习算法对盾构总推进力与刀盘扭矩进行预测。分析表明,本文所采用算法模型的预测拟合度大部分集中分布在0.9以上,小部分位于0.7-0.9范围内,整体来讲模型的预测拟合度较好。模型预测平均误差基本控制在10%以内,仅有少数模型的平均误差超过10%,预测结果较为接近原始值,模型表现较好。