隧道掘进机是目前应用最广泛的一类隧道施工重型巨载装备。由于其主要依靠位于装备最前端的刀盘刀具不断旋转切削岩土介质实现掘进,构成了一个与周围地质间不断发生相互力学作用的复杂工程系统。随着传感检测技术的快速发展,目前的掘进装备能够在施工过程中实时记录各类与运行状态相关的数据信息,为分析掘进系统中关键参量间相互影响规律与预测其变化趋势提供了充足的数据源基础。这类工程实测数据往往具有影响参量之间高度耦合且非线性等特点,并且随着大工程系统智能控制与决策的发展需求,如何对工程实测数据进行有效分析成为目前工程科学领域日益关注的热点问题。近年来,快速发展的各类机器学习方法以其优秀的非线性表达能力为工程实测数据分析提供了有力的工具。地质识别与掘进速率预测是直接关系到隧道掘进机高效安全施工的两个关键问题。本文首先建立了一种基于工程实测数据分析的,由卡方检验特征选择方法和机器学习分类算法相结合的地质类型识别系统,包括归一化预处理、卡方检验选择确定输入特征及机器学习方法训练地质识别分类器三部分。在分析实测工程数据性质的基础上,在归一化预处理后利用卡方检验特征选择方法在上百种影响参量中挑选出对地质变化敏感的参量作为输入特征,随后基于四种机器学习方法建立了地质识别模型,并在不同隧道工程的实测数据中进行检验并讨论了所选特征与地质识别模型的泛化能力。在对不同地质进行识别的基础上,本文分析了实测工程数据的序列性质,建立了基于时序神经网络算法的地质参量预测模型。进一步的,考虑到不同地质参量之间的相关性,采用多目标回归方法对地质参量进行预测。在天津地铁9号线中对所提出的地质参量预测模型进行检验,讨论了不同时序神经网络方法和多目标回归方法的预测表现。此外,本文还基于时序神经网络建立了掘进速率预测模型,讨论了懒惰学习与主动学习方法在工程实测数据中的应用特点,以及工程实测数据中存在的离群值价值,并且探究机器学习方法中超参选取在含噪数据分析中的影响。本文工作表明,通过对工程实测数据进行统计分析和机器学习,可以有效描述隧道掘进工程中掘进载荷、地质条件、掘进装备等核心参量间影响规律,实现对一些关键工程参量的识别与预测,为一类与力学作用相关的复杂工程系统的参量预测与智能控制提供参考。