随着这些年我国经济的快速增长，水利工程也获得了高速发展，水坝的规模也在不断的扩大和提高。在带给我们社会经济效益和生活便利的同时，这些水利工程一旦失事，后果将不堪设想，所以大坝的安全问题显得尤为突出。大坝变形预测作为大坝安全监测的重要组成部分，建立精确的预测模型来进行数据分析和变形预报至关重要，对确保大坝安全运行具有非常重要的作用。　　大坝变形预测主要是根据现有的监测资料来预测以后的大坝变形量。由于大坝本身内部结构和工作条件复杂，影响因素多，无法用确切的定量关系来描述它们对大坝变形的影响。因此，用传统的数学模型无法完全描述大坝变形量和影响因素之间的非线性映射关系，从而影响模型的预测精度。　　人工神经网络具有超强的非线性映射能力、自学能力和容错性，用它对大坝进行变形预测是一种有效的途径。BP网络作为目前人工神经网络中常用的学习方法之一，它自身也存在着缺点，即收敛速度慢和易出现局部极小值。而标准遗传算法具有很强的宏观搜索能力，可避免陷入局部极小值，所以利用遗传算法对BP神经网络的连接权值和阈值进行优化，提高BP网络的函数逼近效果。但是标准遗传算法易出现早熟收敛，针对该问题本文引入多种群概念有效地解决早熟问题，提高算法的计算精度和速度。　　本文通过运用多种群遗传算法（MPGA）来优化BP网络模型的初始权值和阈值；建立了多种群遗传神经网络（MPGA-BP）模型；结合吉林丰满水电站多年的坝顶水平位移监测资料进行实例分析和拟合预测；通过MATLAB软件编程，并将该模型与经典统计回归模型、BP网络模型的拟合预测结果对比，最终分析得出 MPGA-BP模型在收敛速度和预测精度方面要优于BP网络模型和统计回归模型，该模型在重力坝变形预测中具有更好的应用性。