硬岩地层下盾构滚刀的磨损速度快,需要经常性地停机开仓对滚刀进行检查与更换,目前对开仓节点的位置主要依靠工程经验做出人为判断,同时,滚刀磨损影响因素种类多范围广,国内外已有的滚刀磨损预测的理论模型和经验公式不具备良好的包容性和普适性。因此,找到一种具有推广性的方法对滚刀磨损进行有效预测是当务之急,以期达到减小工程风险,加快施工进度,降低工程造价的效果。针对以上问题,本文将基于Levenberg-Marquardt（LM）算法的BP神经网络作为核心数据分析工具,建立正面滚刀磨损量的预测模型,并结合基于序贯模型的全局优化（SMBO）算法以及遗传算法（GA）对神经网络的超参数进行优化,使用算法组合提升模型预测精度,最后开展参数的敏感性分析,验证输入参数选择的正确性与合理性。本文主要研究工作与成果如下:（1）选择“土压、盾构推力、刀盘扭矩、掘进速度、贯入度、盾构深度、滚刀尺寸、安装半径、新旧刀、HRC硬度、刀刃宽度、刀刃屈服强度、岩石的单轴抗压强度和RQD值”这14个滚刀磨损影响因素作为输入参数,将盾构区间作为一个整体对数据集进行划分,分别在MATLAB和Python上建立基于LM算法的BP神经网络对正面滚刀磨损量进行预测,选用均方误差MSE、决定系数R~2、预测误差三个参数评价网络模型训练效果的优劣,对比两个模型的预测结果,选择开源性较好的Python作为神经网络模型的搭建平台。（2）使用Python建立BP神经网络,将近三百万条原始数据归纳处理后,对单盾构区间多滚刀磨损数据以及单滚刀多盾构区间磨损数据开展研究,结果表明,BP神经网络在单盾构区间多滚刀和单滚刀多盾构区间的磨损量预测上具有较高精度,并得到以下结论:滚刀安装半径越大,受地质条件影响越明显;输入参数快速变化时,若缺乏足够的数据集训练神经网络模型,会降低模型预测精度;实际工程中的关注重点应为多个掘进环产生的累计磨损量,评价神经网络模型的预测效果时需从理论和实际等多角度出发。（3）对多盾构区间多滚刀的磨损数据进行研究,结合SMBO算法和遗传算法对BP神经网络超参数其进行优化,结果表明SMBO和LM算法组合优化效果更好,多种数据集分类方式对比结果说明,多盾构区间多滚刀的网络模型具有更好的推广性与实用性,而且从整体来看,其预测误差绝对值基本保持在20%以内,具有较好的可控性与工程实用性;通过参数敏感性分析,证明本文选择的输入参数与滚刀磨损量均有较强相关性。