本文根据成都地铁凤溪河换乘站的施工监测数据,结合机器学习和数值模拟进行了地表沉降变形研究。在了解研究区特殊卵石地层等工程地质条件后,结合地铁基坑的监测数据,利用机器学习算法与数值模拟方法,对深基坑施工影响下的地表变形进行了深入的研究和分析。具体研究内容及结论如下:（1）从原理和实行方法的角度充分阐述了凤溪河换乘站的监测项目及内容。根据13项监测内容获取到的数据,汇总、整理了数据并对发展趋势进行了分析。探讨了深基坑周围水平和垂向位移的成因机制,总结了深基坑开挖过程对车站周边土层变形及地表变形的阶段性影响。（2）采用机器学习方法,结合依托工程的监测数据,进行了分阶段的、不同变量的5种模型预测模拟。通过模型中蕴含的数学和统计学算法进行了多次训练,在监督学习和非监督学习的多种验证方法下,总结出了适合单因素分析、多因素分析和不同工况情况下的预测模型,为大数据时代的岩土工程项目,做出先一步的迈进和应用实践。（3）利用PLAXIS 3D岩土有限元软件,导入凤溪河下覆土层参数与施工现场监测数据,建立了深基坑施工和支护的分阶段数值模拟模型,对基坑开挖的不同阶段进行了数值模拟分析。将数值模拟结果与机器学习预测模型模拟结果以及现场监测数据做对比,对深基坑的沉降变形曲线进行了分析。（4）对比分析研究结果,卵石地层通常会产生区域性的不均匀沉降,数值模拟在计算时通常设定为均匀的土层,沉降变形沿基坑呈现对称规律;而机器学习训练结果更专注于监测点的数据时空统计分析,更能符合实际监测的情况。机器学习法可以为特殊地质条件的深基坑开挖变形进行合理分析,为数值时代地下工程施工和监测提供有力支持。