为满足大坝安全监测的需要，本文在全面总结归纳前人在统计模型研究成果的基础上，针对最小二乘回归方法存在的不足，以偏最小二乘回归方法、Kalman滤波技术和神经网络理论为依据，提出了大坝安全监控的偏最小二乘回归统计模型，Kalman滤波回归统计模型，BP神经网络模型及RBF神经网络模型，并以工程实测资料的计算详细比较了各种模型的性能。此项研究工作不仅对工程实践有着重要的实用价值，而且对提高我国大坝安全管理水平有着重要意义。 论文主要研究内容及成果如下： (1) 全面系统地分析了最小二乘回归方法在现行统计模型建模过程中存在的问题，指出因子间严重地多重相关性是造成最小二乘回归模型结构不稳定和解释性变差的根本原因。为此，依据偏最小二乘回归方法的理论，以统计模型的建模为应用目标，首次提出了偏最小二乘回归统计模型。研究分析表明，该模型能有效克服因子间严重的多重相关性，从而得到结构稳定及解释性增强的统计模型。经工程实测资料的验算并与最小二乘回归模型比较，证明该模型是因子严重多重相关情况下建模的有力工具。为此本文首先在利用偏最小二乘回归方法提供稳定的统计模型结构，以及在将模型回归系数(视为状态变量)作为评价大坝安全状态的重要指标等方面取得具有创新性的成果。 (2) 以Kalman滤波技术为理论基础，以统计模型的建模为应用目标，首次提出了Kalman滤波回归统计模型。该模型将Kalman滤波理论与大坝安全监控的统计模型有机结合，反映了本文提出了一个新的研究思路。研究表明，该模型利用Kalman滤波为估计问题提供的递推形式解，可将建模过程简化为只要根据上一时段状态值和当前的观测值就能方便地在线更新状态，因而它是一种高效在线建模的新方法。由于Kalman滤波属于最小方差估计，所以，Kalman滤波回归统计模型的回归精度高于偏最小二乘回归统计模型和最小二乘回归统计模型。工程实测资料的验算表明，当Kalman滤波的模型参数计算方法选择合理，滤波结果很快就会稳定，且不依赖初值，此时Kalman滤波统计模型的结构是稳定的。同样，模型的回归系数变化也可以评价大坝的安全状态。