变形监测数据处理的准确性、可靠性和实时性是变形监测工作者追求的目标。为了更加逼近实际变形情况，提高变形分析预报的精度和时效性，需要不断地改进变形分析预报的模型。　　卡尔曼滤波模型简单、运算速度快，并可推广至非平稳状态。但是，卡尔曼滤波在扩大应用领域的同时也增加了模型的复杂程度。自适应卡尔曼滤波没有从根本上解决线性或线性化的局限性。为此，论文在以下几方面展开探讨和研究：　　1）探讨变形分析预报模型理论与方法，研究自适应卡尔曼滤波原理和算法，分析各种模型算法的优劣特性。　　2）采用加权的方法，凸显Sage法自适应卡尔曼滤波中更新数据的重要性；利用Lyapunov方程代替Riccati方程，简化自适应模型算法；将神经网络与卡尔曼滤波结合起来，调整滤波器模型参数，修正模型噪声统计，提高滤波的泛化能力。　　3）通过实例分析比较三种滤波算法在滤波预报精度、泛化能力和时效性等方面的差异，获得最优模型算法。同时，得出区域形变的原因，预测形变的后续发展，为区域性灾害预报提供理论方法支持。