隧道掘进机作为一种技术复杂、附加值高的系统化大型隧洞施工机械,其智能化运行依靠数据挖掘技术,借助数据挖掘技术分析隧道掘进机运行数据,对于提升隧道掘进机的运行、分析、维护水平具有重要意义。数据挖掘中的聚类研究对于隧道掘进机运行数据归组分类、运行状态分析十分重要,是数据分析的重要前提步骤。然而隧道掘进机时间序列数据存在维度高、参数之间关联性强的问题,传统数据挖掘方法难以有效应用,缺乏针对隧道掘进机运行数据的相关算法研究。本课题是在科学技术部国家重点研发计划（编号:2018YFB1702502）的资助下,针对隧道掘进机运行数据异常数据多、时空归类难的问题,研究了适用于隧道掘进机运行数据的异常值检测及聚类算法,并以深圳地铁11号线后亭至松岗区间隧道施工数据进行算法的验证,本文的主要工作如下:（1）针对运行数据异常值多的问题,提出基于滑动窗口的异常值检测方法,首先采用滑动窗口方法实现时间序列数据的片段分割处理,其次提取分段数据特征进行异常子序列判断,最后借助Gath-Geva聚类算法实现异常值识别,实验表明,该算法具有更高的异常识别率。（2）针对运行数据杂乱无章,以推进速度与刀盘转速为研究对象,构建基于相似性度量的时间序列聚类方法,实现运行数据的聚类划分,寻求隧道掘进机相似掘进模式。首先以动态时间规整算法计算时间序列之间的相似性数值,随后以Gath-Geva完成时间序列聚类分组。实验分析表明,本文的聚类算法具有更高的聚类精度,能够更精准的实现数据划分。（3）以隧道掘进机多参数数据为研究目标,构建多元时间序列数据的片段聚类方法,实现隧道掘进机数据分割聚类,实现隧道掘进机运行状态分析。以动态因子模型为基础求解多运行参数之间的公共因子序列,实现数据降维处理,以FCM聚类算法完成该公共因子序列的片段聚类分析,实验表明本方法能够准确识别隧道掘进机状态变化点,实现运行状态分析。（4）以片段聚类结果为研究对象,针对每一段数据建立基于最小二乘支持向量机的推进速度预测模型,与未分割聚类的结果相比,本文的预测模型具有更高的预测精度,为隧道掘进机参数预测提供了新的预测方法。