科学预测隧道掘进机(TBM)净掘进速率,对于隧道(洞)工程施工方法选择、施工进度安排以及成本估计具有重要意义.鉴于TBM施工过程具有高度非线性、模糊性和复杂性等特征,为提高TBM净掘进速率的预测精度和计算效率,采用偏最小二乘回归(PLSR)提取影响参数主成分,再利用深度神经网络(DNN)进行训练预测,提出了一种基于PLSR-DNN耦合方法的TBM净掘进速率预测模型.基于兰州水源地建设工程输水隧洞双护盾TBM施工实测数据,选择岩石单轴抗压强度、单轴抗拉强度、刀盘推力、刀盘转速、岩体完整性系数和岩石耐磨性指数,共6个影响参数,验证了模型预测的合理性,并对不同预测方法的拟合精度和预测精度进行了对比分析.研究结果表明:(1)偏最小二乘回归可有效克服自变量之间的多重共线性问题,将提取的主成分作为深度神经网络的输入层进行训练,简化了神经网络结构;(2)PLSR-DNN耦合预测模型避免了过拟合与拟合不足问题,具有收敛速度快,求解稳定和拟合精度高等特点;(3)PLSR-DNN耦合预测模型平均相对拟合误差2.96％,平均相对预测误差3.27％,其拟合精度和预测精度均明显高于偏最小二乘回归模型、BP神经网络模型以及支持向量回归(SVR)模型.