本研究针对盾构施工中开挖面稳定性和地表沉降对施工影响大,而开挖面风险水平难以评估、地表沉降影响因素多而难以预测的问题,从实际工程出发,利用有限元模拟和算法对地表沉降进行预测,利用层次分析法对开挖面风险水平进行评估。研究主要依托于深圳穗莞深城际铁路深圳机场北站至机场站区间盾构工程。首先利用Plaxis建立了有限元计算模型,研究了开挖面对地表沉降和开挖面前方土体的变形的影响。然后利用层次分析法对开挖面风险水平进行评估,最后利用工程数据等对多层BP神经网络和梯度提升算法模型进行训练,计算预测段地表的沉降并提取了各输入参数的重要性程度。本研究得到的主要结论如下:1)在盾构施工过程中,开挖面工况对地表沉降和开挖面前方土体变形影响较大。利用Plaxis建立有限元模型,在不同支护比下分别进行计算分析。当支护比从1减小到0.3时,开挖面前方土体变形云图将由整体圆滑的包络线逐渐形成楔形体变形区,能够合理反映开挖面荷载变化土体的变形情况。利用有限元模型进行的地表沉降预测与实测值之间仍有较大差距,需要进一步提高。2)以花岗岩风化地层为主的机场北站至机场站开挖面风险水平以三级为主。通过应用传统层次分析法和区间模糊层次分析法结合模糊综合评价法对穗莞深城际铁路深圳机场北站至机场站左线盾构隧道的风险分析结果均显示,风险等级为三级及三级以下的盾构环数占整条线路的98%以上。3)多层BP神经网络模型经过训练能够较好的对盾构施工中地表沉降进行预测。通过建立多层神经网络结构模型,利用隧道设计参数、施工参数和地质参数等377组数据对多层神经网络模型进行训练,最终采用第1隐层有64个神经元,4个结构隐层,共9层隐含层的神经网络作为最优模型,对里程82+760～82+910区间的地表沉降进行预测。模型预测结果与实测地表沉降线性拟合度达到0.968,具有较好的效果。4)梯度提升树算法（GBDT）经过训练能够较好的对盾构施工中地表沉降进行预测。通过建立由不同学习器数量和学习率组成的GBDT算法模型,利用穗莞深城际铁路深圳机场北站至机场站的隧道设计参数、盾构施工参数和地质参数等377组数据以及剔除较大沉降后的数据两种数据分别进行训练,最终利用得到的模型对里程82+760～82+910区间的地表沉降进行预测。两种情况下的预测结果分别与实测地表沉降沉降进行线性拟合,得到的线性拟合系数分别达到0.948和0.943,具有比较好的拟合效果。5)隧道轴线埋深、注浆量和总推力是梯度提升算法模型中对地表影响较大的三种因素。GBDT算法模型给出了各个输入参数的权重,全部377组数据和剔除沉降较大的数据分别进行训练的结果显示,隧道轴线埋深、注浆量和总推力是对地表沉降影响较大的三种因素。盾构姿态也对地表沉降有比较大的影响。