大坝安全监测向来是坝工界的重要研究课题。为了保证大坝的安全运行，大坝修筑期间常常会预先埋设大量监测仪器，这些监测仪器日积月累形成了庞大的实测资料数据库。监测资料分析是一项十分重要但又非常复杂的工作，传统监测资料分析方法一般分为统计模型方法与经典机器学习方法，统计模型方法指标选取带有主观性且面对高维非线性数据时效果欠佳，经典机器学习方法面对小样本集表现出较好的效果，但是面对大数量级样本集时容易出现收敛速度慢且易于陷入局部最优值等情况。针对该问题，本文应用粗糙集理论、深度学习算法、SVM支持向量机算法、BP算法、统计理论、灰色系统理论、典型小概率法对某混凝土坝裂缝成因及预警进行了研究。主要成果如下:　　(1)对三种不同粗糙集属性约简算法进行研究，编写了相应的程序对它们的分类能力进行筛选，对比分析发现基于邻域粗糙集模型的数值属性约简算法不仅得到最高的准确度，同时保留了较少的特征数量。所以本文选用邻域粗糙集模型来对裂缝监测指标体系进行约简。　　(2)研究了深度学习理论，选用深度置信网络为框架建立裂缝预警模型并基于matlab对各过程进行算法实现，将监测指标体系筛选留下的特征作为模型输入节点，通过训练与仿真某混凝土坝裂缝实测资料，并将结果对比传统统计模型与BP网络模型发现深度置信网络预警模型具有更高的准确率与学习效率。　　(3)采用DBN模型权重方法得到了不同影响因子对裂缝开度效应量的影响程度比例;利用模型的规则提取能力得到了影响裂缝开度不利荷载组合规则;对比分析了DBN模型方法与灰色理论模型方法对该混凝土坝段裂缝开度值与其它监测物理量之间的关联性分析结果，验证了基于DBN模型关联性分析的可行性;对比分析了DBN模型方法与典型小概率法关于裂缝开度扩展指标的拟定结果，验证了基于DBN模型预警指标拟定方法的可行性。