工业信息化是未来区域经济、社会实现高质量发展的必经之路。随着我国地下工程建设项目的大量开展,盾构机在这类项目中的应用日益普及,其信息化、自动化水平直接影响项目的进度、质量、安全,因而成为企业的关注重点。然而在已有研究当中,尚未充分利用积累的海量项目数据对施工现场中关键管控问题进行分析,也未解决盾构项目施工现场对专家知识强依赖的问题。基于此,本文提出了集成了深度学习方法的盾构项目施工现场决策支持系统(Decision Support System,DSS)模型,通过对项目大数据的建模分析,辅助进行科学高效的决策,探索从智能化、自动化维度进行施工现场重要决策的方法与途径。本文通过分析盾构项目施工现场中管理人员的业务范围,以及行业中已初步实现交互功能的综合管控信息平台,基于广泛通用的DSS“两库三系统”架构模式,设计了盾构项目施工现场DSS框架,并进一步完善了各类组件的内部构造,为数据流与信息流的双向传递提供合理的基础,保障DSS的辅助决策能力。考虑到盾构项目数据存在的非结构化与零散性问题会降低数据访问和传递的效率,因此,在数据库构建中,本文不仅针对结构化数据进行校对与清洗,还结合专家经验,识别、整理与格式转化了多类重要的非结构化数据,尤其是施工现场风险因素中的地下环境与地面环境数据。进而,通过概念模型与逻辑模型设计,基于My SQL搭建了决策支持数据库,在数据层面上为DSS的稳定运行做好基础工作。盾构项目施工现场的决策业务难点和重点是对盾构掘进的管控,其中,盾构设备的掘进姿态是影响施工质量、安全与进度的关键环节,但目前鲜有学者利用深层的网络结构对此进行预判研究。为此,本文提出了基于深度卷积神经网络的盾构滚动角姿态预测模型,用于辅助现场进行掘进姿态决策。其构建流程包括:首先,根据决策目标设计模型结构;其次,从决策支持数据库中提取覆盖多方面的特征集合,进行数据集成等准备工作;然后,将处理后的数据集导入模型库,通过网格搜索调整模型参数;最后,确定了具备较高预测精确度的深层网络结构与参数组合,形成最终模型。通过对比实验验证,本文所设计的模型能够辅助现场管理者做出科学合理的风险规避决策。综上所述,本文通过将DSS与深度学习方法交叉融合应用于盾构工程垂直领域,从决策速度与质量角度,解决了目前施工现场管理决策流程中存在的人工低效决策、数据知识浪费等现实问题,进而对于减少工程项目风险事故、保障项目进度与质量具有实际应用价值,为我国工程领域的项目管理决策水平的大幅度提高提供新的方法借鉴。