随着我国城市轨道交通工程的飞速发展，深、大、近、难地铁基坑工程不断涌现，随之带来的地铁基坑施工期坍塌事故也愈发突出，因此，开展针对“地连墙（围护桩）+内支撑”这一主要支护形式的地铁基坑施工期坍塌风险评估的研究任务迫切且意义重大。虽然前人围绕地铁基坑的施工期风险评估开展了一定的研究工作，但是在风险评估的定量化水平和动态化程度等方面、变形预测的输入变量选择、关键参数确定、模型预测精度方面以及地铁基坑监测的自动化水平等方面仍存在较多问题，还需要开展进一步的研究。　　基于以上研究背景和不足，论文综合利用风险评估、神经网络预测、粗糙集属性约简、相关性分析、数值模拟和自动化监测等技术方法，开展了带撑桩（墙）支护地铁基坑施工期坍塌风险动态评估的基本理论、方法的研究以及基坑变形的多元智能预测的研究，同时，还尝试开展了地铁基坑变形的自动化监测。主要研究成果如下:　　1)遵循风险评价基本理论，对构成带撑桩（墙）支护地铁基坑施工期坍塌风险的孕险环境、致险因子、风险事件、承灾体和潜在损失进行了剖析，并从风险定义的角度对坍塌风险的形成机理进行了分析，提出了符合带撑桩（墙）支护基坑分段、分层开挖特点的动态风险评估实施流程。同时，参考现有的相关规范、标准、文献，初步制定了带撑桩（墙）支护地铁基坑施工期变形分级预警标准（南昌地区）和坍塌风险分级标准。　　2)提出了带撑桩（墙）支护地铁基坑施工期坍塌风险动态评估方法。主要包括基于T-S模糊故障树分析的带撑桩（墙）支护地铁基坑施工期坍塌可能性评价方法和基于专家调查法的坍塌损失损失评价。其中，基于T-S模糊故障树分析的带撑桩（墙）支护地铁基坑施工期坍塌可能性评价克服了传统故障树的“概率假设”、“二态假设”、“与或关系假设”的不足，不仅实现了利用底事件模糊概率计算基坑不同坍塌程度的模糊概率，还可以利用底事件实际故障状态计算基坑不同坍塌程度的可能性。相较底事件概率难以获取的现状，底事件的故障状态则可参照所建立的底事件故障状态分级赋值表比较容易且比较客观的确定，这有效提高了施工期坍塌可能性评价的定量化和动态性。另外，绘制了相应的带撑桩（墙）支护地铁基坑施工期坍塌的T-S故障树，并通过调查获取了各T-S模糊门规则;在基坑坍塌损失评价方面，设计了符合该类基坑开挖特点的基坑施工期坍塌损失调查信息表，该表可有助于提高对5类基坑坍塌损失评价的客观性;另外，针对底事件的重要度分析可快速确定导致基坑坍塌的关键致险因子，并有效指导基坑坍塌的风险管理工作。通过前湖大道站基坑算例验证了该方法的正确性和适用性。　　3)提出了基坑变形预测模型输入变量的两步筛选方法，即首先利用粗糙集属性约简去除预测模型的冗余影响因素，得到影响因素一次约简集，再利用相关性分析方法对基坑位移与一次约简集中影响因素的相关性进行量化，并筛除相关性明显偏小的因素。通过对比计算，证明了两步筛选能够有效简化模型结构，并提高模型计算精度和速度。其中，相关性分析方法主要用到了平均影响值和灰色关联分析两种方法。　　4)提出了RS-MIV-ELM基坑变形预测模型，用该模型建立了南昌地铁前湖大道站基坑测斜最大水平位移及其深度的预测模型，实现了利用已开挖部分的监测数据对正在开挖部分测斜最大水平位移及其发生位置的同步预测。同时，利用K-折交叉验证方法对极限学习机模型隐含层神经元数量进行了优化确定。对比验证结果表明，该模型的训练速度、预测精度和泛化能力均较全因素极限学习机模型和基于最简集的BP神经网络模型有较大提升，其均方根差和平均相对误差仅为2个对比模型的1/2～2/3，并具有更好的泛化能力和易于推广性。　　5)提出利用混合蛙跳算法(SFLA)优化确定广义回归神经网络(GRNN)模型平滑因子的SFLA-GRNN模型，将其成功应用于南昌地铁前湖大道站基坑地表最大沉降预测。结果表明，混合蛙跳算法可以快速优化确定平滑因子，且沉降预测结果与实测值吻合良好。对比GRNN模型表明，本文所提模型在训练精度和泛化能力方面均有提高，可为类似变形预测提供参考。