隧道工程围岩变形预测是以岩体的物理力学参数、支护参数以及工程现场量测位移作为基础信息,对后续施工引起的围岩变形进行超前预报。本文通过对已有变形预测方法的比较,提出了一种人工智能组合预测方法。本文采用均匀试验设计理论对FLAC^3D单线铁路隧道模型参数的选取进行了设计,应用FLAC^3D模拟实际隧道的开挖生成大量变形量测信息。分别利用BP神经网络、广义回归神经元网络（GRNN）和改进的遗传支持向量机回归方法对FLAC^3D计算所得数据进行学习,建立隧道设计、施工已知信息（围岩力学参数、隧道埋深、开挖方式、支护参数）与隧道断面变形的非线性映射关系,对于任一组围岩力学参数和支护参数,根据已建立的三种人工智能分析模型均可以确定隧道指定断面在掌子面推进到各个位置时的变形值。利用三种人工智能方法给出的预测值,建立基于遗传算法的人工智能综合预测模型。通过遗传算法给出一组权重值,对三种方法分别给出的预测结果加权求平均得到最终的变形预测数据。本文以单线铁路隧道为例探讨了上述综合智能变形预测方法的可行性和应用效果,结果表明本文提出的人工智能综合预测方法的预测误差在可接受范围内,能够满足工程实用要求。该方法为隧道信息化设计和施工管理提供了一个简便而实用的分析工具,是一种智能化的信息化施工监控方法。