泥水盾构作为现代盾构工法重要方法之一，已广泛的应用在了世界范围内，在过江过海等软土环境隧道工程中，泥水盾构法已经成为了应用最多的方法。泥水盾构的气仓压力控制是越江隧道掘进平衡的重要环节，一旦控制不当，将引发掌子面坍塌、江水倒灌等一系列隧道安全问题。针对传统人工控制气仓压力的缺陷，考虑到盾构参数的动态性和时变性，运用具有非线性映射能力的神经网络以及具有滚动优化、反馈校正特性预测控制理论，通过研究得出泥水盾构施工过程中气仓压力与推力、推进速度、刀盘转速、液位、进浆速率、出浆速率等关键掘进参数的关联性，研究气仓压力随时间波动变化的规律，建立包含预测器和控制器的泥水盾构参数智能预测控制系统。通过控制相关重点掘进参数，实现气仓压力的智能预测，达到安全控制越江隧道掘进过程的目的。为了提高预测控制系统的动态辨识和寻优能力，本文运用Elman神经网络对预测器和控制器进行建模，并用粒子群优化(PSO)算法与之结合，形成了Elman-PSO智能耦合算法。以武汉长江隧道项目为工程背景，选取气仓压力以及推力、推进速度、刀盘转速等参数的历史数据样本，建立基于Elman-PSO的智能预测控制系统，并对BP神经网络建立的预测控制系统进行结果对比。工程实例分析与方法对比表明，Elman-PSO算法在盾构参数的系统动态辨识和在线预测应用方面，具有良好的预测精度，满足工程实际需要。通过本文的研究，验证了智能算法能够良好地解决土木工程非线性、不确定性的复杂工程问题，对实现施工过程信息化，具有很重要的工程价值。