隧道结构在施工及运营期间，受诸多复杂因素的共同作用，其受力状态与变形特性会随时间逐渐演变。为此，提出一种融合注意力机制的深度学习概率模型，旨在精准预测与评估隧道衬砌结构中关键不利位置的安全状态。首先，采用斯皮尔曼秩相关系数进行数据预处理，筛选出与衬砌结构最不利位置高度相关的土压力数据和混凝土应变数据作为输入特征；随后，设计多层卷积神经网络（CNN）进行多源数据特征提取，并构建特征共享层以融合不同位置的数据信息；接着，将提取的特征送入长短期记忆网络（LSTM）进行时间序列分析预测，并引入自注意力（Attention）机制对特征进行加权优化，从而进一步提高预测的精确度；最后，建立高斯概率回归模型，以解决结构响应预测误差所引起的安全系数计算不确定性量化和评价问题。使用实际隧道工程项目的数据，对不利位置的响应预测结果显示，该模型能够全面考虑多源测点数据在时间和空间上的相关性。在训练集、验证集和预测集上，混凝土应变的预测平均误差分别为0.89、1.02、1.24με，未出现过拟合现象，从而验证所提方法在处理复杂非线性问题的良好泛化能力。此外，采用高斯概率区间预测方法，结合预测得到的安全系数进行了90%置信水平的区间估计，结果显示，二次衬砌3个不利位置的安全系数均位于该置信区间内，从而进一步验证所提模型在隧道衬砌结构安全性评估中的可靠性和实用性。