盾构姿态调整是指为使盾构姿态趋向于设计姿态而采取的措施。盾构姿态的正确调整对于保证盾构顺利掘进和隧道建成精度具有重要的意义。但由于盾构姿态影响因素的复杂性和地质状况的不确定性,往往出现姿态纠偏越纠越偏、蛇形轨迹等姿态调整不力的现象。这些现象的避免,主要通过盾构司机综合判断当前施工数据,结合其自身的经验加以实现。在当前盾构掘进自动化需求的背景下,引入机器学习方法,通过学习盾构司机及其他历史施工经验,实现盾构姿态调整的自动化决策。为盾构掘进自动化提供参考和帮助。将机器学习方法引入盾构姿态调整决策面临着若干需要解决的问题,主要包括：盾构姿态调整样本集的构建问题,样本类属性不平衡问题,样本累积阶段负类样本过少情’况下的决策问题及姿态调整与推进动作综合决策问题。对于盾构姿态调整样本集的构建问题,通过建立盾构姿态力学模型引入先验知识得到备选的样本特征,然后综合考量备选特征的重要性和可获取性进行特征选择,利用盾构司机的经验对样本所属类别进行赋值,并最终建立盾构姿态调整样本集。通过对盾构姿态样本集中样本的研究发现,其不同类样本的数量、样本分散程度及样本特征空间中心与决策超平面距离这三种类属性具有较明显的不平衡现象,而这种不平衡使得标准支持向量机算法的分类精度大大下降。针对这种情况,提出基于样本类属性的支持向量机类惩罚系数权重调整方法,将量化的样本类属性引入类惩罚系数,使得在使用盾构姿态调整样本集这种样本类属性差异较大的样本集的情况下,仍能取得较高的分类精度。在积累样本构建样本集的过程中,会有相当长的一段时间处于负类样本极少甚至只有正类样本的情况。为了在这段时间内能够进行盾构姿态调整的决策,引入支持向量数据描述方法。为了提高训练速度,提出了核心子集近似高斯核支持向量数据描述算法。提出了待分类样本的快速判别方法。给出样本积累过程中的盾构姿态调整决策函数,并进行了仿真数据和工程数据验证。为了提高盾构主动规避风险的能力,将学习范围从工况学习扩大到学习在不同的工况下采取较好的应对风险的动作策略。策略的学习综合考虑了盾构姿态调整和推进,提出了盾构姿态调整及推进分层强化学习算法提高了盾构姿态调整的主动性和智能化水平。