中国山岭隧道的总量将以每年2000km速度递增,平均约6km/d,其中相当数量为穿越构造带、活断层和软弱带等地质条件复杂的深埋长大隧道。深长隧道施工过程中,突涌水、塌方和挤压大变形事故灾害频发,成为阻碍深埋隧道建设的瓶颈。亟需开展隧道施工安全风险评估与预测。然而,现有的研究滞后于工程应用。因此,本研究针对隧道工程灾害风险预测不及时、准确性低等关键科学问题,结合我国深埋超长隧道施工实际需求,开展基于机器学习的隧道施工期工程灾害风险预测与应用研究工作。论文通过广泛收集国内外隧道挤压大变形、坍塌、突涌水灾害案例的资料,建立了隧道挤压大变形、突涌水灾害案例库,并以机器学习方法为主要的研究手段,对隧道工程挤压大变形、坍塌以及突涌水灾害风险预测与评价方法进行了探索研究,并将此风险预测方法应用到工程实际中,为隧道工程灾害风险预测和评价提供新的思路和途径。本文主要得到了以下成果与结论:（1）为了达到快速准确地对隧道围岩挤压大变形等级和最大变形量进行预测的目的,本文提出了一种基于证据理论与支持向量机（SVM）的挤压大变形预测方法。首先综合考虑隧道挤压变形影响因素,选取强度应力比、隧道埋深、隧道等效直径、支护刚度、岩体质量指标作为挤压变形预测评价指标。然后基于典型的隧道挤压变形分级方案,建立隧道挤压变形等级的识别框架。基于挤压变形案例统计和分析,构建了隧道挤压变形案例库,建立了各评价指标的高斯分布隶属度模型,客观地确定各指标的基本概率分配（BPA）。最后通过Dempster-Shafer（D-S）合成公式融合生成的BPA,实现对隧道挤压变形等级的预测。在挤压变形量预测方面,建立了基于SVM模型的挤压变形量预测方法,采用网格搜索（GS）、粒子群优化算法（PSO）、遗传算法（GA）三种优化算法对SVM的超参数进行了优化,并对比了三种优化算法的预测性能。总体上,GS-SVM模型预测性能明显优于GA-SVM模型和PSO-SVM模型,更加适合隧道挤压变形预测。（2）提出了一种基于案例分析、超前地质预报和D-S证据理论的隧道施工期坍塌风险评估方法。该方法首先根据案例统计结果,选取11个风险因素作为风险评价指标,结合超前地质预报的动态响应参数,共同构成了隧道坍塌风险评估指标体系。在风险指标区间数的基础上,为了避免主观因素的影响,利用欧式距离确定各指标的BPA,并根据各指标之间的相似度和支持度估计指标权重。最后应用D-S证据融合理论和最大概率原则确定隧道坍塌的风险等级。为提高评价结果的准确性,提出了隧道综合超前地质预报体系,建立了不良地质条件的定量分类。该方法可以提高评价结果的准确性。将该方法应用于玉溪隧道穿越F14断层的坍塌风险性评价,并根据评估结果,提出了相应的风险缓解措施,进行了风险动态调控。此外,基于Monte Carlo（MC）仿真技术对评价模型的不确定性进行了仿真计算,验证了所提方法的有效性。（3）引入统计学中Bootstrap算法量化评估传统的点预测模型中不确定性因素的影响,将多种智能算法与Bootstrap相结合,建立了基于Bootstrap-SVM-BPNN算法的隧道涌水量区间（概率）预测模型,为隧道施工过程中的突涌水量提供准确的点预测和可靠的区间预测。以可决系数（R~2）和均方根误差（RMSE）评价点预测效果,以区间覆盖率、平均预测区间宽度、结合宽度综合指标等指标量化评估区间预测质量。基于收集的隧道涌水量案例数据对该方法的预测性能进行了测试。在点预测中,通过六种模型的和的对比分析可知,Bootstrap-SVM方法的预测性能明显优于多元线性回归（MLR）、广义递归神经网络（GRNN）、极限学习机（ELM）、反向传播神经网络（BPNN）、SVM等单一预测模型。在区间预测中能清晰可靠地构造不同置信水平下隧道突涌水量的预测区间,能较好地覆盖实际值,展现了本文模型良好的预测性能。基于少数样本人工合成（SMOGN）数据预处理方法,可以有效提高模型的预测性能。（4）将本文提出的坍塌风险评价方法和突涌水预测方法成功地应用于高峰隧道中,预测结果与实际相符,显示了本方法的准确性。针对风险水平给出了对应的风险调整措施,可以为类似工程提供参考。本文的研究成果不仅为提升传统数据挖掘和机器学习方法在隧道工程灾害研究领域的适用性与实用性提供了一个较为可行的思路,也为隧道灾害风险预测与评价方法的进一步发展提供了一个新的视野,有望为复杂地质条件下深埋超长隧道工程安全施工、防灾减灾工作提供一定的理论支持及实践参考。