随着经济和社会的快速发展，各种大型工程建筑物不断涌现，为了保证建筑物在建设过程以及运行期间的安全，除了持续的监测以外，对形变监测数据进行分析预测成为一种被广泛讨论的问题。目前有多种单一模型来解决这种预测问题，比较常见的是GM（1,1）、卡尔曼滤波模型、人工神经网络模型、时间序列模型、支持向量机模型等。同时针对不同单一模型对于不同数据会有一定局限性的问题，很多学者提出了各种组合模型。　　由于变形体受到各种因素的影响，监测数据就包含不同的信息。考虑到变形监测体具有长期趋势性和波动性，利用经验模态分解（EMD）可以将原始序列分解成不同频率的子序列，这样各个的子序列的规律性加强，建模分析更加容易。为了减少工作量，将频率高的相加总为高频子序列，频率相对较低的为中频子序列，频率最低的作为低频子序列，构造成三种不同频率的子序列。同时由于支持向量机（SVM）模型能有效计算非线性数据的解，并且它的解是全局最优解，可以有效避免过度训练且具有很好的泛化能力。本文利用EMD和SVM模型建立一种EMD-SVM（经验模态分解和支持向量机）组合模型对形变数据进行分析预测。　　文章的主要内容如下：　　1、介绍了三种单一预测模型GM（1,1）、卡尔曼滤波模型、支持向量机模型的建模预测过程和思想，为后面组合模型的建立提供理论基础。　　2、详细介绍了不同准则下并联组合模型的建立，通过工程实例分析这种组合预测思想的优缺点。　　3、对经验模态分解的原理做了详细介绍，研究了其对原始序列进行分解的算法原理和具体的分解过程，并建立了基于EMD分解的SVM组合预测模型通过工程实例分析这种组合模型比单一的模型精度要好。　　4、利用两组不同的形变数据通过工程实例对基于EMD分解的SVM组合模型与并联组合模型的预测结果进行对比分析。验证该模型能有效解决并联组合预测模型中遇到的问题，并且该模型预测精度更高，在工程应用中具有可行性和适用性。