本文结合国家863计划项目“空间数据挖掘的神经网络技术研究”(N0.2007Mt122228)展开研究。　　 大坝观测资料的分析是判断大坝安全运行的重要手段，因此对大坝观测资料作出及时、合理、有效的分析是大坝安全工作之一。大坝安全监测的效应量包括变形值监测、环境量监测、渗流监测和应力应变及温度监测等方面。在监测的各种效应量中，变形能够很好地反映大坝的运行状态，因此大坝变形监测成为一个非常重要的监测项目。变形监测量又因其直观、可靠、易于测量且精度高等特点，成为了目前国内外大坝普遍使用的主要监测量。　　 目前，对大坝变形监测数据进行处理的方法有很多种，按照其建模的方法可以分为：统计模型、确定性模型和混合模型；新兴的方法有神经网络模型、小波模型等。近年来，神经网络技术迅速发展，其强大的非线性映射能力和自我学习能力使神经网络技术得到了广泛的应用。　　 神经网络技术是空间数据挖掘技术中的一种重要方法。本文将神经网络技术引入大坝变形分析领域，进行大坝变形分析建模和分析工作。主要内容包括：　　 (1)介绍了神经网络的基本概念、原理和网络结构。　　 (2)总结了大坝常用的变形分析模型，包括统计模型、确定性模型和混合模型。统计模型主要采用回归分析技术，包括全回归分析和逐步回归分析等。　　 (3)详细介绍了大坝变形分析的神经网络模型的原理及其建模方法。　　 (4)在统计模型和神经网络模型的基础上，创新地提出了一种融合模型。该模型综合了统计模型的经验性和神经网络模型高度非线性映射能力的优点。　　 (5)结合某工程实例，尝试用全回归统计模型、逐步回归统计模型，神经网络常规BP算法以及融合模型进行大坝变形分析及预报。结果表明，在垂直位移和径向位移的预测分析中，融合模型的预测精度明显高于统计模型。对于垂直位移，全回归模型的预测中误差为±0.433mm，而“全回归+BP算法”的融合模型的预测中误差为±0.288mm;逐步回归模型的预测中误差为±0.438mm，而“逐步回归+BP算法”的融合模型的预测中误差为±0.293mm。对于径向位移，全回归预测中误差为±0.215mm，而“全回归+BP算法”的融合模型的预测中误差为±0.116mm；逐步回归模型的预测中误差为±0.270mm，而“逐步回归+BP算法”的融合模型的预测中误差为±0.071mm。