目前我国已经成为世界上在建、待建隧道里程数最多的国家,其中有相当一部分隧道属于长大隧道、深埋隧道,面临复杂的地质环境问题,施工难度极高。TBM施工因其掘进效率高、自动化程度高、成洞质量好、作业安全、环境友好等优点成为未来隧道建设的重要技术。然而由于TBM对地层条件敏感性高,对不良地质条件适应性差,影响了 TBM发挥掘进效率上的优势。同时由于TBM在施工过程中受到工程地质条件与掘进技术水平等多方面因素的制约,导致难以及时准确地判断掌子面围岩条件、预测TBM的掘进性能,大多数情况下要靠主司机经验对掘进参数进行决策。针对上述问题,本文以TBM隧道围岩分级和掘进参数优化决策为主要研究目标,采用机器学习、数据挖掘、模型试验、工程验证等手段,基于新疆某工程TBM实际掘进数据建立了 TBM隧道围岩等级实时识别模型,对现场掘进数据进行聚类分析建立了一套适用于TBM隧道的围岩分级体系,针对掘进参数预测和优化决策问题建立了相应的预测模型和优化模型,并通过模型试验进行了验证。本文的主要研究工作及成果如下:（1）建立了基于掘进参数的TBM隧道围岩等级实时识别模型。基于现场掘进数据对TBM掘进参数和围岩等级之间的关系进行了研究,分析了推力、转速、扭矩、净掘进速度、施工速度、利用率、贯入度、场切深指数和开挖比能9个参数在各级围岩下的分布情况;对比了主成分回归、偏最小二乘回归与原始参数作为模型输入变量时多元线性回归模型的均方根误差,在此基础上建立了基于推力、扭矩、转速和净掘进速度实时识别围岩等级RF模型,识别准确率85%;之后与BPNN、BN、SVM、KNN四种机器学习模型进行了准确率对比,四种模型的准确率依次为75%、72.5%、77.5%和52.5%,结果表明RF模型的识别准确率是最高的。（2）提出了基于掘进性能的TBM隧道围岩分级方法。选取施工速度和开挖比能作为TBM掘进性能的衡量指标,建立掘进性能围岩分级方法（TP分级）,对各TP等级围岩中推力、扭矩、转速、贯入度、净掘进速度、利用率的分布情况进行正态分布验证,并对传统稳定性分级和TP分级下净掘进速度与推力的相关性进行了比较,证明了 TP分级方法的优越性;通过MIV-BPNN进行输入变量筛选,建立基于SVM的TP围岩等级识别模型,识别准确率高达95%,可以实现对围岩TP等级的准确识别。（3）建立了基于LSTM网络的TBM掘进参数时序预测模型。通过对比LSTM模型与传统回归模型BPNN、GRNN、SVR模型的预测效果,发现在各级围岩、各个掘进参数的预测精度上,LSTM模型都是更优的;比较LSTM模型对于各级围岩不同掘进参数的预测结果,发现围岩等级越高模型预测精度越高,对于施工速度的预测精度在各级围岩中均为最低,对于推力和净掘进速度的预测效果在各级围岩中最好。（4）基于围岩等级实时识别的RF模型和净掘进速度预测的LSTM模型,建立了以净掘进速度最大为优化目标,对刀盘推力和转速进行优化的蚁群模型。对比了穷举法模型、模拟退火模型和蚁群模型的优化效果,三种模型在优化效果上相差无几,但蚁群模型计算速度最快,仅为穷举法的1/6～1/12;通过自主研发的TBM模拟掘进装置对蚁群优化模型进行实验验证,结果表明蚁群模型寻优的推力和转速即为最佳参数组合,且实际净掘进速度与蚁群模型预测结果一致。