针对基坑变形影响因素众多而具有随机和模糊等特性,以及传统基坑变形预测方法精度不高、泛化能力不足的现状,本文以基坑监测数据为输入,考虑到基坑监测数据可以反映基坑实时变化情况,在深度学习框架下提出了卷积神经网络与长短期记忆网络耦合的时空关联基坑变形预测模型,捕捉基坑变形趋势,对基坑关键位置处的典型变形指标进行预测,旨在提高基坑变形预测的精度,并依托厦门翔安城际铁路基坑施工工程对所做研究进行了工程验证分析。主要工作与结论如下:（1）分析现有基坑变形预测模型国内外研究现状并进行整理。依托厦门翔安城际铁路基坑施工工程286天的监测数据,确定地表沉降累计变化值为预测指标,地表沉降、围护墙竖直位移、围护墙水平位移、围护墙深层水平位移、立柱沉降、地下水位、支撑轴力、围护墙内力共8种因素33个监测点的监测数据为特征指标。分析基坑变形影响因素,根据数据变化频率与幅度,选取基坑变形关键位置的所处区段作为研究对象,提出缺失数据与异常数据的综合处理方法,后归一化处理数据以消除量纲影响,并将数据按比例划分为训练集与测试集。（2）针对基坑变形具有时间与空间上的关联特征,提出深度学习框架下时空关联的CNN-LSTM基坑变形预测模型。本模型融合卷积神经网络与长短期记忆网络,以卷积神经网络提取基坑变形的空间特征,长短期记忆网络捕捉基坑变形的时序特征,最终用全连接层输出基坑变形典型变形指标地表沉降值的预测结果。模型参数的选择对模型预测效果有较大影响,本研究在建模时经多次试验优化模型参数,最终将CNN与LSTM网络的层数设置为2,将神经元节点定为64,优化算法为Adam算法,正则化舍弃率为0.2,学习率为0.001,训练批次大小为24,迭代次数设置为100。（3）设置对照实验,以厦门翔安城际铁路基坑施工工程的现场监测数据为输入,设置基于时序的MLP模型与LSTM模型,以及基于空域的CNN模型,与本文所研究CNNLSTM时空关联模型的预测效果进行对比。引入MAE、MSE与MAPE误差评价指标检验模型精度,分析比较不同模型的预测误差以及预测值与真实值的拟合程度,以验证评价CNN-LSTM卷积长短期时空关联模型预测效果。实验结果显示CNN-LSTM模型的MAE、MSE与MAPE指标仅为0.155、0.076与0.63,模型预测值与真实值误差绝对值的平均值达到了0.041,证明考虑时间与空间两种特征的预测模型预测效果优于仅考虑时间或空间单一特征的模型。本文所提出的时空关联基坑变形预测方法能有效提升基坑变形预测的精度与准确率。（4）考虑到神经网络对空间特征与时序特征的提取存在次序先后问题,将卷积神经网络与长短期记忆网络调换顺序重新建模。构建LSTM-CNN长短期卷积神经网络模型,并与CNN-LSTM卷积长短期记忆网络模型进行对比,分析网络结合次序对模型精度的影响。训练后LSTM-CNN模型的MAE、MSE与MAPE指标分别为0.204、0.096与0.899,模型预测值与真实值误差绝对值的平均值为0.127。对比结果表明LSTM-CNN模型的预测结果略逊色于CNN-LSTM模型,可见先进行空间特征提取的网络模型预测效果更好。综合分析可知CNN-LSTM模型预测效果最好,在基坑形变预测领域有很强的适用性。