گسترش روز افزون فضاهای زیرزمینی به خصوص تونل های مترو در شهرهای پرجمعیت موجب اهمیت یافتن مطالعات در زمینه ارزیابی پیامدهای ناشی از حفر تونل شده است. از جمله پدیده های مهم ناشی از حفر تونل ها، وقوع نشست هایی در سطح زمین می باشد که این پدیده در مورد تونل های حفر شده در مناطق شهری از اهمیت زیادی برخوردار است. محققان بسیاری به ارائه روش های تجربی، تحلیلی و عددی متعددی برای برآورد میزان نشست زمین پرداخته اند، اما با توجه به پیچیدگی محیط پیرامون تونل ها از نظر ژئوتکنیکی و تعدد پارامترهای موثر بر نشست، نتایج پیش بینی شده بوسیله روش های ارائه شده، به تنهایی قابل اتکا نمی باشند. شبکه های عصبی مصنوعی از کارآمدترین روش ها در زمینه بررسی و پیش بینی نحوه ارتباط پارامترها مختلف با یکدیگر می باشند. در این پژوهش تلاش شده است تا با به کارگیری شبکه های عصبی مصنوعی، مدلی برای پیش بینی نشست سطح زمین در مجاورت تونل های شهری ارائه شود. برای ساخت مدل شبکه عصبی مربوطه از داده های گردآوری شده از پروژه تونل خط 2 قطار شهری مشهد استفاده شده است. مدل های بکار رفته در این پژوهش، شبکه هایی پیش خور با الگوریتم پس انتشار خطا بوده اند. برای ارزیابی مدل های شبکه عصبی از معیارهای میانگین مربعات خطا و ضریب همبستگی میان مقادیر اندازه گیری شده نشست و مقادیر خروجی شبکه، استفاده شده است. همچنین با استفاده از روش های مختلف آنالیز حساسیت میزان اهمیت هر یک از پارامترهای ورودی بر خروجی شبکه تعیین شده و در هر مرحله پارامترهای کم اهمیت تر حذف شده است. با توجه به اینکه مقادیر خطای پیش بینی برای هر چهار مدل بهینه در محدوده مجاز بوده است، بنابراین شبکه ای با 7 پارامتر در لایه ورودی (شامل پارامترهای ژئوتکنیکی، پارامترهای هندسی تونل و پارامتر فشار در سینه کارحفاری)، 24 گره در یک لایه پنهان و یک خروجی (نشست سطحی) با ضریب همبستگی 84/0 و 96/0 برای داده های ارزیابی و آزمون، کاربردی ترین مدل برای پیش بینی نشست سطحی زمین می باشد.