为了减少盾构掘进对周围地层及管片姿态的影响，盾构姿态需要尽可能与设计轴线吻合，以减少盾构实时位置与设计值间的偏差。开发了一种基于混合深度学习模型的预测方法，提出了一种盾构隧道中实时姿态和位置的动态预测框架，对盾构姿态和位置的4个关键参数进行预测。该框架包含Kriging插值、小波变换(wavelet transform, WT)噪声滤波器、带通道注意力机制的卷积神经网络(convolutional neural networks with channel attention, CNN-CA)以及用于确定盾构机未来姿态和位置的长-短期记忆网络(long short-term memory, LSTM)。基于上海市域铁路工程中盾构收集的数据集对该模型的性能进行验证，并研究了CNN-CA网络对模型的影响。研究表明，该模型在盾构的姿态预测方面效果较好，CNN-CA网络能够有效提取预测值所需的特征，对计算精度贡献较大。