隧道工程作为我国重要的基础设施建设内容，其蓬勃发展的同时也给施工过程带来了更多的困难与挑战。隧道施工中经常会遇到断层、溶洞、破碎带等多种不良地质情况，容易引发突水突泥、塌方、卡机等工程事故。因此，采用隧道超前预报方法提前探明掌子面前方的不良地质情况，从而制定合理的处置措施与工程预案，对于隧道安全建设具有重要意义。
　　隧道超前预报方法是对探测数据进行成像分析，由经验丰富的工程师根据成像结果确定探测目标区情况，即不良地质所在区域的位置、范围和类型信息。然而在实际应用中，由于现场环境复杂，成像结果中往往包含了多种干扰信息。如地震波法探测中，各种噪声干扰反映在成像结果中使得真实地层的反射界面难以识别;电阻率法探测中，成像结果呈现扩散分布，难以划定含水区域的准确范围。传统的解决方法主要依靠人工经验，受到主观因素的影响较为严重，使得识别目标区域困难，容易造成对灾害源误判漏判的情况。同时，人工处理效率也较低，尤其在TBM等施工隧道中难以满足现场对及时预报、高效掘进的要求。因此，开展隧道不良地质超前探测目标区识别与解释方法研究，对于提高不良地质识别与解释效率、降低漏判误判风险具有重要意义。
　　针对上述问题，本文借鉴深度学习自动挖掘样本特征的理论优势，提出了适用于隧道超前探测目标区识别任务的深度神经网络算法。通过构建成像特征与识别结果的非线性隐式映射关系，可以快速高效的获得不良地质位置与范围信息，为现场施工提供参考依据。在此基础上，为了实现对掌子面前方地质情况的自动化解释，本文结合超前探测成像结果和地质信息，提出了联合解释算法，实现了不良地质类型的综合判断，为隧道超前预报的快速解释提供了可能。
　　本文的主要研究工作及成果如下:
　　(1)针对隧道探测目标区识别问题，本文通过优化特征提取方式，提出了适用于地球物理数据的深度神经网络识别算法。对于地震波法成像结果，提出了交叉组合卷积形式，可以捕捉反射界面信息;对于电阻率法成像结果，提出了中心扩散型空洞卷积形式，可以有效获取电场分布信息。通过将两种卷积形式加载到卷积深度神经网络中，提升了深度学习算法对于隧道超前预报识别任务的适用性。
　　(2)针对隧道不良地质解释问题，本文通过综合成像特征和地质信息，提出了隧道不良地质解释算法。基于模糊层次分析理论，构建了包含专家知识的地质元素数据集，为地质元素定量化评价提供了可能。利用卷积和全链接算法对不同类型数据重构，将(1)中识别的成像特征与地质因素相结合，实现了不良地质类型的综合解释。
　　(3)针对处理效率问题，本文在上述研究工作的基础上开发了一套智能识别与解释系统。通过构建数据处理平台，实现了不同人员远程协同工作;通过封装算法，简化数据处理流程，提高了数据处理效率;保存原始数据和中间处理过程，为今后的数据二次利用提供了可能。同时进行现场实验，验证了本文所提方法的适用性与有效性。