针对隧道施工地表沉降预测的非线性难题，本文提出一种支持向量机（SVM）与 BP 神经网络融合的复合预测模型（SVM–BP），通过加权融合策略集成 SVM 的边界判别能力与 BP 网络的非线性映射优势，显著提升预测精度与模型稳健性。以甘肃黄土隧道工程为例，选取10项地质与施工参数构建高维输入空间，并基于物理机制（Peck 公式）结合 PCHIP 插值及高斯噪声扰动（标准差 5 mm）生成增强数据集，有效缓解小样本局限。试验表明：相较于传统 BP 模型，SVM–BP 模型平均误差由 8.47% 降至 2.41%，决定系数 R² 提升至 0.981；残差波动范围压缩至 ±5 mm（95% 置信带宽缩窄 67.8%），收敛效率提高 29.4%。该模型通过双重正则化框架实现复杂地质条件下沉降演化规律的精准建模，为隧道施工安全控制提供新路径。