随着社会的发展,地铁、隧道等大型结构的规模和数量高速增长,对结构的施工和运营安全提出了更高的要求。信息技术、控制技术的快速发展,使自动化监测系统成为保障结构安全的重要手段。如何利用自动化监测系统的监测数据,通过对数据的分析处理,预判结构的安全状态,以便及时采取有效的管控措施,对于预防和减少结构安全隐患,保障结构安全具有重要意义。依托国家重点研发计划项目“城市地下大空间施工安全可视化自动监控系统”,在调查分析结构变形预测和安全状态评估国内外研究现状的基础上,针对长短期记忆网络（Long Short Term Memory,LSTM）仅利用历史结构监测数据单侧规律预测当前数据,模型预测准确性不足以及适用于小样本数据的问题,结合数据的双向规律挖掘数据时间特征,引进双向长短时记忆模型（Bi-directional Long Short Term Memory,Bi-LSTM）对结构变形数据进行预测。根据提取间隔大的分量突出数据的整体特征,间隔小的分量突出局部特征的特点,将原输入数据划分成多个输入分量,扩大模型感受视野,分别提取数据整体和局部特征,提出一种基于改进Bi-LSTM的结构变形预测模型。针对深度学习模型运算量大、实时性差的不足,结合宽度学习模型（Board Learning System,BLS）和Bi-LSTM模型的优势,提出一种基于双向门控式宽度学习（Bi-directional Gate Board Learning System,Bi-G-BLS）的结构变形预测模型。对BLS的特征节点增加循环反馈和遗忘门结构,提高当前节点对前一节点的依赖关系,从正向和反向提取时间序列的内部特征,降低模型预测时间,提高模型预测精确度。最后针对现有基于监测数据的结构安全评估存在的问题,提出了一种基于模糊宽度学习的结构安全评估模型。利用国内某地铁沉降数据对本文提出的方法进行验证,得出的主要结论为:（1）BiLSTM模型充分挖掘数据的双向规律,提取其内部时间特征信息,有效提高了模型预测的准确度。（2）改进Bi-LSTM模型的预测性能良好,与小波神经网络（Wavelet Neural Network,WNN）、LSTM、门控循环单元（Gated Recurrent Unit,GRU）、Bi-LSTM模型相比,其RMSE、MAE及MAPE平均分别下降了13.82%、16.70%和41.63%。（3）BiG-BLS模型在保证预测精度的同时显著降低了模型预测时长,与BLS、Bi-LSTM模型相比,其RMSE、MAE及MAPE平均分别下降了16.39%、17.55%和31.19%（4）提出的基于模糊宽度学习的安全评估模型能够准确反映结构的安全状态,为结构安全防控提供了保障。