近年来，随着地下轨道交通的快速发展，出现了越来越多的新建地铁线路下穿既有铁路的工程。下穿铁路施工正朝着不限速、长距离、大跨度安全下穿的方向发展，这对变形监测系统的精度提出了高要求。以全站仪为主的常规监测仪器所测得的轨道变形数据受视距、温度等各类因素的影响，即使在未发生下穿时的变形数据有时也会超过监测报警值，从而对监测工作的开展造成影响。高要求的目标精度与较低的实际精度之间存在着不平衡。若把各类影响因素视作噪声项，面对常规差分手段无法消除噪声影响的现状，如何降低轨道变形数据的噪声，还原下穿施工所引起的轨道变形已经成为亟需解决的工程问题。本文基于深度学习模型与监督学习方法，尝试对轨道变形数据进行降噪，并提出了沉降变形趋势的快速判别方法。主要研究内容及成果如下：
　　(1)以文献调研的方式，总结归纳了轨道变形监控数据的影响因素。基于某盾构下穿车站工程的轨道变形实测数据，通过数据可视化处理、实验、相关系数计算等方式，从定性与定量两个角度对各影响因素与轨道变形监控数据之间的相关性展开分析，总结了各因素对变形数据的影响方式。研究发现轨道变形数据在夜晚会发生回落，确定视距、温度、湿度、天气与光照四个因素为本文轨道变形监控数据的噪声项，并将较优的视距范围定为50m。
　　(2)基于深度学习模型中的LSTM循环神经网络，提出了一种多因素轨道变形数据监督学习方法。该方法将轨道变形数据与各噪声项共同作为训练样本进行学习，以此考虑各噪声项的影响。通过对轮次、批量处理参数、学习率三种训练参数进行分析，总结了三种参数对于LSTM网络精度的影响，并得到了算例数据集的参数优选值。
　　(3)从可靠性与有效性两个角度对监督学习方法进行验证。选取算例进行自我学习，结果显示学习值与实际值之间的误差很小，且趋势完全一致，由此验证了方法的可靠性。根据夜晚变形数据回落的特点，以夜晚的轨道变形数据为学习样本，对整体数据进行监督学习，算例的学习值在趋势上与实际值保持一致，且幅值明显降低，由此验证了该方法降噪的有效性。
　　(4)针对各类噪声项，分下穿影响区与非下穿影响区提出了不同的降噪策略，总结归纳了学习样本选取的原则。以非下穿影响区域内三个测点的水平轨道变形数据作为算例，基于降噪策略，选取合适样本进行监督学习，学习结果显示三个算例的数据幅值分别降低了53.8%、41.7%、66.7%，证明了监督学习方法可以在保留原始变形数据整体趋势的同时，有效地降低各类噪声的影响。
　　(5)基于R/S分析法中的Hurst指数，提出了窗口式时段轨道沉降变形趋势快速判别方法。以下穿影响区域内两个测点的沉降数据作为算例，对降噪后的沉降数据进行沉降趋势的快速判别。基于双控思想，从轨道变形、Hurst指数变化两方面，快速判别、精准定位沉降趋势的起始点与结束点。算例分析显示，只需发现3个数据点的Hurst指数突变即可对沉降趋势进行判断，相比传统的人为主观判断，提高了判别的速度与精准性，可为下穿工程的注浆起止时间点提供参考依据。