近年来,随着我国经济社会的快速发展,城市交通压力越来越大,地铁成为减缓地面交通拥堵的重要举措。盾构法是地铁隧道安全施工的主要手段,但是在以往的施工过程中,盾构机掘进参数的控制大多依赖于过往的经验以及操作员的临场操作。因此,寻找掘进数据之间的规律,厘清各个参数之间的关系,为以后类似盾构施工提供科学指导,已成为一个迫在眉睫的问题。本文依托济南地铁R2线盾构数据,运用数据挖掘技术,通过对盾构数据的预处理、回归分析和机器学习建模,开展盾构掘进数据挖掘研究,主要研究内容和成果如下:（1）分析了济南地铁R2线工程地质情况,根据工程地质条件,将济南地铁R2线历山北路站～二环东路站区间划分为短柱状强风化闪长岩、中风化闪长岩、砂砾状强风化闪长岩三种地层,对每种地层的地质特征与掘进特性进行了分析。（2）根据盾构机正常工作状态剔除盾构机非工作时间产生的无用数据,利用python中的箱形图对盾构掘进参数进行预处理。对处理后的数据进行统计分析,研究得出,总推进力、刀盘功率、刀盘扭矩三者走势基本一致,并且对地质条件十分敏感。推进速度与贯入度走势基本一致,对地质条件敏感程度同样较高。（3）对上述三种地层下的刀盘转速、刀盘功率、刀盘扭矩、推进压力、总推力、推进速度、贯入度等7个掘进参数进行两两相关性分析,得出其两两相关方程。然后以推进速度作为因变量,其他6个掘进参数作为自变量,分别对三个地层进行多元线性回归分析,推进速度的最大影响因素为贯入度,其次为刀盘转速。分析误差均在10%以内,预测效果较好,比较符合实际情况。（4）基于python编程环境开展盾构掘进效能的机器学习,选取支持向量机、随机森林和BP神经网络三种模型分别对上述三种地层的盾构掘进参数进行建模预测,误差分析表明,三种地层的最优预测模型为BP神经网络模型。考虑地质因素,对推进速度进行BP神经网络建模预测,与实际工程值相比,平均误差6.67%,模型预测精度较好。