近年来,我国地面沉降的程度和范围不断加深和扩大,城市地区逐渐成为地面沉降最受影响的实体,城市地面沉降不仅影响城市居民的生产生活和交通安全,而且严重阻碍社会经济的可持续发展。因此,有效根据监测获得的形变信息以及其影响因子对城市地面沉降进行监测和预测分析研究,可有效预防城市地面沉降灾害发生,对于测绘工作者来说,有效确保人民生命财产安全有着义不容辞的责任和义务。目前,城市地面沉降监测及预测研究存在以下问题:（1）随着高分辨率SAR的发展,使得遥感技术真正进入高分辨率时代,然而,现阶段大量高分辨率SAR数据用于监测大区域需要一系列的时序参数反演,比如:SAR数据的获取和存储以及预处理等,这些时序参数反演给计算机性能、磁盘空间等硬件条件以及需要耗费大量的时间进行处理带来了巨大挑战。与此同时,大气延迟误差和相位解缠误差是形变反演的主要误差之一。因此,在获取地表形变信息时,对大气延迟误差和相位解缠误差加以处理尤为重要。（2）现有神经网络模型在城市地面沉降预测中存在并未真正意义上实现预测,仅起到拟合作用,即大多数是基于时序沉降数据构建模型来进行预测,极少数是从沉降影响因子角度来构建预测模型,这就导致存在一定的弊端,比如过度依赖获取的沉降数据,模型单一等问题。且不能准确捕捉和预测序列变形的波动。同时,对于大范围的城市地面沉降预测,训练样本选取不当,将直接影响着最终的预测精度。目前,国内外缺乏一套系统的城市地面沉降预测方法。针对以上问题,论文具体研究工作和内容如下:（1）探讨利用LiCSAR产品和控制大气延迟误差和解缠误差在城市地面沉降监测中的实际应用效果。以昆明市主城区为研究对象进行实际应用分析,利用2018年3月8日至2021年2月20日获取的84景Sentinel-1影像,引入GACOS产品进行大气改正,运用整体干涉质量检验和环闭合相位来剔除解缠误差。并分析昆明城区地面沉降空间分布特征,从人为因素和自然因素两个角度对沉降成因进行分析和探讨。实验结果表明:（1）利用LiCSAR产品不仅能大大加快处理时的效率,同时能够处理更多数据,使得监测结果更为准确;（2）利用GACOS对对流层大气延迟进行改正具有一定效果,考虑解缠误差对监测结果准确性的影响,利用环闭合相位能够有效识别出均方根（RMS）值大于定义阈值的有问题的环路;（3）相较于已有研究表明,利用时序新方法监测发现了新增沉降区A和E。城市建设、断层和地质以及地下水抽取等因素致使形成地面沉降。（2）提出一种基于InSAR-BP神经网络的总体预测模型。即利用获取的沉降数据与影响因子从因子角度构建InSAR-BP神经网络的总体预测模型,选择GA（遗传算法）和PSO（粒子群）对BP优化,对不同优化算法下的预测性能和训练样本数量对预测效果的影响进行探讨,得到最优的预测模型,最终实现对城市地面沉降的总体预测,并利用K-Shape聚类算法实现大范围城市地面沉降预测示范应用。实验结果表明:利用GA算法来改进BP神经网络算法对城市地面沉降预测性能和预测效果好,GA-BP预测模型平均绝对误差优于LS-SVM预测模型和灰色Verhulst预测模型,同时随着训练样本的增加,GA-BP预测值与沉降值残差逐渐减少,算法收敛迭代加快,均方误差降低。（3）提出一种大范围城市地面沉降预测示范应用方法。即在上述得到的最优的预测模型下,利用K-Shapes时间聚类算法来控制大范围城市地面沉降预测训练样本的选取。实现结果表明:利用K-Shape对沉降数据进行聚类可提升训练样本选取的可靠性,聚类之后的PSO-BP模型预测精度可有效预测大范围城市地面沉降,该预测方法为大范围高精度城市地面沉降预测提供了新的思路。（4）提出一种InSAR-LSTM城市地面沉降预测模型来解决单点多期预测。即利用获取的沉降数据与影响因子,从因子时序角度,提出一种InSAR-LSTM城市地面沉降预测模型来解决单点多期预测。为解决沉降区多点多期预测,提出一种利用K-Shape时间序列聚类方法对城市地面沉降预测模型,最终实现对城市地面沉降单沉降点和多沉降点的多期预测。实验结果表明:（1）利用InSAR-LSTM预测模型能有效对某沉降点的多期沉降趋势进行预测,其预测精度满足测量规范要求。（2）K-Shape算法的聚类方法能有效区分不同沉降点的沉降趋势,利用K-Shape算法聚类能够有效实现对多观测点的预测,将聚类后得到的预测值与未聚类得到的预测值作对比,将其用未聚类得到的预测值来替换聚类下的负效应,能进一步提高多观测点数据的预测精度。