盾构法是地铁隧道建设过程中应用最为广泛的工法之一,盾构隧道施工引起地层变形的预测是保障地铁安全建设的关键。我国的轨道交通目前仍处于大规模高速建设阶段,一方面密集的轨道交通建设对地层变形的预测与控制提出了更高的要求,另一方面已有的大量工程实践经验也为准确预测地层变形创造了条件。由于盾构隧道施工引起地层变形响应具有多因素与非线性的特点,传统的理论与模型难以反映这一复杂的关系,利用机器学习模型实现地层沉降的智能预测已成为重要的研究方向,但已有的机器学习沉降预测模型存在着泛化能力差、可解释性不强的问题。本文以成都地铁6号线区间工程为背景,引入了机器学习模型中的树模型对盾构隧道施工引起地表沉降问题进行预测,在与多种算法对比分析的基础上提出了相应的优化方法。主要的研究内容和成果如下:（1）盾构隧道开挖引起地层变形机理及影响因素研究。从盾构隧道掘进过程出发,全面分析总结盾构隧道开挖引起地层变形机理,重点分析地层水平变形规律及和地表沉降历时变化规律。从施工过程出发,建立相应的数值模型,分析在隧道开挖过程中各个因素对于地表沉降的影响,为后续研究提供理论基础。（2）基于地表沉降分析的预测模型的建模要素提取。收集整理3段盾构区间地表沉降监测数据及盾构参数,分析盾构隧道施工引起地表沉降的分布规律及发展趋势,并对影响地表沉降值大小的各要素进行统计分析,建立了相应的数据库。结果表明:区间地表沉降槽曲线基本符合高斯分布,沉降槽曲线宽度系数与隧道埋径比（H/D）呈负相关关系,地层损失与地层类型显著相关。沉降的历时发展曲线分布则主要与地层类型及注浆有关,不同的地层条件下沉降发展曲线差异明显,但基本符合沉降发展的四个阶段。通过对地表沉降影响要素的分析发现地层类型是影响沉降大小的主要因素,特殊周边环境会影响沉降值的分布,掘进参数主要反映盾构掘进状态。（3）沉降预测模型性能对比。考虑在地下工程中应用广泛的线性回归模型（LR）、BP神经网格模型（BPNN）、支持向量回归模型（SVR）以及两种树模型CART模型与XGBoost模型共五种机器学习算法分别建立相应的预测模型,对比了各模型在学习能力、泛化能力、可解释性上存在的差异,确定在地表沉降预测问题上的最优模型。以测试集预测误差为指标考量模型泛化能力,表现排名为XGBoost>CART>SVR>BPNN>LR,特别是在沉降值较大的少数测点,两种树模型预测效果好于其余三种模型,同时树模型也具有更好的可解释性。（4）提出沉降预测的分阶段动态预测模式。针对已有预测模型工程意义不明确的问题,考虑盾构隧道引起地表沉降存在时间效应的特点,充分利用已有的先验信息,提出沉降的分阶段预测模式,实现沉降的动态预测,优化了模型数据集。（5）基于贝叶斯方法实现预测模型的正则化优化。从XGBoost算法的正则化项出发,引入贝叶斯优化方法,实现了模型正则化参数的自动寻优,进一步提高了模型本身的泛化能力,优化后的模型对于地表沉降有更好的预测效果。