在交通强国、国家水网建设、西部大开发等多个国家战略的支撑下,我国基础设施建设迎来重大发展机遇,一大批隧道、隧洞等地下重大基础设施工程提上建设日程,并逐渐向地下深部和复杂构造区发展。我国已成为隧道建设规模和难度最大的国家,隧道建设过程中突水突泥、塌方等地质灾害频发,严重影响隧道施工安全和进度。开展施工期隧道超前探测,提前探明掌子面前方不良地质体的分布情况是保障隧道施工安全的有效手段。近年来,地球物理勘探方法在隧道超前探测中得到越来越广泛的应用。其中,地震波法因其对界面敏感且探测距离远,已成为最为常用的隧道地质探测方法之一。然而,由于隧道观测环境的限制,地震波法应用于隧道地质探测时精度不佳,不能满足当前隧道施工的安全要求,因此需开展适用于隧道环境的地震高精度探测方法研究。以传统全波形反演为代表的传统地震波速反演方法存在计算量大、多解性强等问题。当应用于隧道环境时,由于探测偏移距小、探测数据少质量差,传统全波形反演方法更难以获得准确的波速。针对这些问题,本文从全波形反演界面、全波形反演波速以及实际地震数据适用性三个方面,通过深度学习对隧道全波形反演方法进行优化。具体来说,开展了基于深度学习的全波形反演界面优化方法、基于深度学习的全波形反演波速优化方法、实际数据域自适应迁移学习方法研究。最终,形成了基于深度学习的隧道地震探测全波形反演优化整体框架,并通过现场试验验证了本文方法的可行性和有效性。本文的主要研究工作及成果如下:（1）针对隧道观测方式偏移距小导致的全波形反演界面形态不准确的问题,本文提出了隧道全波形反演界面优化方法,以全波形反演梯度为抓手,通过梯度优化神经网络对隧道全波形反演梯度进行重构。首先,模拟了地面大偏移距观测方式布置隧道虚拟观测系统,获得了界面形态准确的全波形反演梯度;然后,提出隧道全波形反演梯度优化神经网络以及隧道梯度优化数据集,建立了隧道真实观测方式反演梯度与隧道虚拟观测方式反演梯度间的映射关系;最后,在隧道全波形反演迭代流程中嵌入训练好的神经网络,对反演梯度进行实时优化,最终获得了界面形态准确的全波形反演结果。（2）针对隧道全波形反演波速不准确的问题,本文提出深度学习隧道全波形反演波速优化方法,结合地震波传播规律,对隧道全波形反演波速进行优化。首先,分析了隧道全波形反演界面优化结果,总结了其与隧道真实波速存在的物理对应关系;其次,提出了基于U-Net的波速优化神经网络,对界面优化隧道全波形反演结果进行波速优化,并进行实验验证了波速优化网络的优化效果;最后,开展了可解释性研究,证明了深度神经网络所建立的映射关系与地震波传播物理规律的一致性。（3）针对隧道全波形反演在隧道实际数据上难以应用的问题,本文提出地震数据域自适应迁移学习方法,建立了符合实际数据分布的域迁移数据集以及域迁移深度神经网络,学习实际数据分布与仿真数据分布的映射关系,得到了数据质量较高的地震数据。通过总结实际地震数据与仿真数据的主要差异,建立符合实际数据分布的复杂地震数据集;结合地震数据特点,提出地震数据分布域迁移神经网络,优化隧道勘探实际数据面临的噪声问题、地震子波不稳定问题以及数据异常问题,获得了适用于隧道全波形反演的数据。（4）最后结合（1）、（2）、（3）方法建立了基于深度学习的隧道全波形反演优化方法整体架构,并实验验证了所提出的架构在复杂数据上的有效性,在此基础上开展了现场试验与应用,进一步验证了本文方法的有效性、可靠性及实用性。