变形分析方法研究是工程健康监测与评估中的重要内容之一,目前变形分析与预测的方法模型较多,主要包括：趋势分析法、时间序列法、灰色模型法GM(1,1)、神经网络模型法等。结合Kalman滤波在动态实时预测中的优势以及BP神经网络的强非线性映射能力,探讨了两者的融合算法及其在变形分析与预测中的应用。笔者研究过程中,主要取得了以下研究成果：1.推导了离散型Kalman滤波的数学模型,研究了极大验后估计自适应Kalman滤波与基于方差分量估计的自适应Kalman滤波,有效限制了传统Kalman滤波的发散问题；详细研究了BP神经网络的原理与学习流程,给出了基于批量样本学习的BP神经网络程序流程。2.研究了Kalman与BP最优加权组合模型(OWC Kalman-BP)。OWC Kalman-BP是将Kalman滤波与BP神经网络作为单项模型,根据单项模型的残差对预测结果进行加权组合。分析表明,OWC Kalman-BP降低了单项模型的不确定性影响,可有效提高预测精度。3.研究了基于Kalman滤波学习算法的BP神经网络(KLA Kalman-BP)。该组合方法是以BP神经网络为核心模型,用Kalman滤波作为学习算法去调整网络的权值和阂值。KLA Kalman-BP大幅提高了网络的收敛速度,同时还可改善传统BP的局部最优问题。分析表明,KLA Kalman-BP的建模效率与精度均优于传统BP与OWC Kalman-BP。4.根据工程经验,将工程变形趋势分为典型的四大类：“平稳”、“渐变”、“突变”和“高频叠加长周期”。基于盐水沟隧道的“实时三维位移监测”数据,对四类变形趋势进行了仿真分析,探讨了两种Kalman-BP组合模型的精度和适用性。