变形观测方法简便易行，其成果直观可靠，能够真实反映大坝的工作性态，是大坝安全监测的主要监测量之一，也是大坝安全监控的重要指标。 本文基于人工神经网络的非线性函数逼近能力，应用Matlab7.1网络仿真平台，结合辽宁省白石水库多年大坝变形实测数据，建立了三种不同改进BP算法的多层感知器监控模型以及广义回归径向基神经网络监控模型，以期获得比传统的逐步回归统计模型更为准确的预测、预报结果，实现对大坝变形的实时、有效监控。 研究表明，几种人工神经网络的拟合、预报结果，不但都能满足建模的精度要求，而且均优于传统的逐步回归模型。 通过对网络权值、阈值等的多次随机初始赋值，反复试验发现，目前使用最为广泛的BP神经网络，尽管有很多改进优化算法，但仍不能很好地解决BP算法固有的收敛速度慢、容易陷入局部极小、泛化能力差等缺点，而且它的建模步骤较为烦杂，网络参数和训练参数过多，给寻找理想监控模型带来很大难度。通常情况下，需要通过不断地测试，训练数千个模型，才能找到一个真正理想的BP网络模型。 基于广义回归径向基神经网络的智能监控模型，相比之下，不但建模方便，训练快捷，而且具有良好的泛化能力，能够显著提高大坝变形预报的精度，可以有效地完成大坝变形实时监控的任务。 人工神经网络模型尽管在预报效果和精度方面优于逐步回归统计模型，但是它不能像统计模型那样，给出变形与影响因素之间的函数关系，不便于对变形量进行解析计算，定量分析大坝的变形规律。因此，应针对不同的工作需要，合理选择以何种方式建立大坝变形的数学模型。