随着21世纪以来计算机的快速发展,机器学习在岩土工程中的应用尤其是在岩土参数确定方面的应用越来越广泛。目前岩土力学参数的确定方法主要有实验法、反分析法以及经验法三种,但其都存在一定的局限性。由此,本文提出了采用机器学习的方法将土体的基本物理参数与土体本构模型参数建立联系,与实验法相结合正向分析得出土体的本构模型参数。利用训练好的模型,研究人员只需进行简单的室内试验即可得到土体的邓肯-张模型参数以及修正剑桥模型参数。本文的主要内容概括如下:（1）对砂土固结排水三轴试验数据进行了收集整理,建立了砂土以初始含水率、不均匀系数、曲率系数、平均粒径、干密度等基本参数作为输入参数,以邓肯-张模型参数为输出参数的机器学习模型,并对输入参数与输出参数的相关性进行了分析,其中干密度对砂土邓肯-张模型参数的影响最大。采用人工神经网络和支持向量机两种机器学习的方式对砂土的邓肯-张模型参数进行预测,其中神经网络的预测误差20%左右,支持向量机的预测误差在10%以内,同时探讨了核函数对预测模型的影响以及平均粒径(950对邓肯张模型参数的影响。（2）对细粒土的固结排水三轴试验数据进行了收集整理,对输入参数与输出参数的相关性进行了分析,建立了细粒土以土的种类、液限、塑限、含水率、密度为输入参数,以邓肯-张模型参数为输出参数的支持向量机模型,并讨论了不同核函数对支持向量机模型预测准确度的影响,其中RBF核函数结果最好,最终训练模型的相对误差在10%以内。（3）对黏土的修正剑桥模型数据进行了收集整理,建立了黏土以液限、塑限、含水率、密度为输入参数,修正剑桥模型参数作为输出参数的支持向量机模型,并对输入参数和输出参数之间的重要性进行了相关性排序,结果表明,液限、塑限、含水率和密度对黏土的修正剑桥模型都有较大的影响,模型的预测误差在10%左右。最后利用训练好的修正剑桥模型对MIT路堤的修正剑桥模型参数进行了预测,利用预测得到的参数对路堤的沉降进行了计算,结果较好。（4）实现了支持向量机的图形用户界面（GUI）设计,让不懂机器学习的研究人员也可以快速利用支持向量机进行训练预测数据并用于工程设计。