近年来随着我国经济的发展和城市化进程的加剧,基础设施建设开始向地下发展,大型岩土工程问题正在达到前所未有的高度。然而,随着工程规模增大、复杂性提高,各种不确定因素也随之增加,对岩土体的非线性行为进行精准预测对保护人民群众生命财产安全、降低工程造价等具有重要意义。传统的岩土工程问题预测的理论解决方法往往受到实地勘察困难、周期长、造价高等问题限制。随着科技的进步,越来越多的智能方法开始应用于岩土工程领域。支持向量机、BP神经网络方法等都得到了较为广泛的应用,但是由于方法本身存在的缺陷,预测结果往往不能令人满意,因此有待提出更加高效、精准的预测方法。本文针对传统理论方法和机器学习方法的不足,提出了将相关向量机应用于岩土体非线性行为研究的新思路。相关向量机作为一种新兴的机器学习方法,目前在岩土工程领域应用甚少。相关向量机具有泛化能力强、参数优化简单、预测精度高、鲁棒性好等优点,同时该模型更稀疏、核函数选择更加自由,可以在复杂影响因素与预测值间建立精准的映射关系,为解决岩土工程问题中的预测与识别问题提供了有效的途径。总体来说,本文做了以下几方面的工作:1.针对传统方法的局限性,建立岩土体非线性行为回归的相关向量机模型,并选取岩土工程中常见的泥石流、边坡稳定性等热点问题对模型进行验证。建立基于相关向量机的泥石流平均流速预测模型,并与其它智能方法结果进行对比分析模型优点;同时基于相关向量机原理建立反映边坡稳定性指标与其影响因素的非线性映射关系,从而验证模型的适用性,并通过平均相对误差、均方差、置信区间、相关系数等多项数学指标进一步验证模型的稳定性。2.相关向量机模型最初只能进行二分类,结合实际工程问题中的现状,提出了将“一对一”方法与相关向量机原理结合的岩土体非线性行为多分类模型,该模型可以给出概率性输出结果。通过相关向量机对少量学习样本的训练,建立岩爆等级与其影响因素之间的映射关系并对仅已知影响因素的新样本给予属于某种岩爆等级的概率性输出;建立层状危岩失稳模式的相关向量机识别模型,并与其它智能方法对比,结果证明,相关向量机多分类模型可以对岩土体非线性行为进行有效识别。3.相关向量机模型预测速度快,但是训练速度较慢,针对这一问题,结合主成分分析法对模型进行优化,充分利用其优势降低输入因素维度,去除了数据间的冗余信息,得到相互独立的输入样本,降低了数据相关性对模型精度的影响,同时提高了模型训练效率。在预测方面,建立TBM掘进速度回归模型,并通过与原模型对比验证改进后的模型优点。在识别方面,建立围岩稳定性分类模型,结果证明,优化后的相关向量机模型精度更准,效率更高。