随着城市化进程的推进,城市规模越来越大,城市来往人流不断增多,上下班高峰期市内道路拥堵成为许多城市的常态。地铁具有运量大、速度快、噪音低、不占用地面空间的优点,成为国内外很多大型城市解决道路拥堵问题的第一选择。地铁在施工过程中,原有的地层稳定性受到破坏,必然会导致地表发生沉降变形。而且地铁往往修建在城市的繁华地带,地面建筑物较多,为保障工程施工顺利进行及人员财产安全,必须做好建筑物的变形监测工作。对建筑变形监测数据做预测分析可以得知未来一段时间内的建筑变形趋势,发现异常时能够及时采取一些保障措施,可以避免一些工程事故的发生。目前对变形监测数据处理与预测分析的常用方法有以下几种:回归分析、时间序列分析、小波分析、灰色系统、人工神经网络等方法,本文采用小波分析与BP神经网络相结合的方法对建筑沉降数据进行预测。本文根据郑州市地铁5号线某标段隧道施工项目,介绍了工程的施工概况及监测方案,用Peck公式模拟计算出施工后的地表变形情况,根据建筑沉降监测JZ31点的实测数据,分析了地铁施工过程中地表建筑变形的一般规律,建立小波分析与BP神经网络的组合模型对JZ31点的沉降数据做预测分析。在实际进行变形监测工作的时候,获得的数据中往往会含有噪声,在用测量数据进行模拟预测之前,有必要对数据进行降噪处理。采用小波分析的方法对建筑变形监测点JZ31的沉降监测数据进行粗差探测,用线性插值的方法处理检测出的粗差,接下来逐步分析了小波去噪时阈值选取标准、scal取值、小波基函数、分解层数对去噪效果的影响,最终选择最佳的小波去噪模型。根据JZ31监测点的实测沉降数据,分别建立了 BP神经网络预测模型、小波去噪BP神经网络预测模型、小波变换BP神经网络预测模型,将其预测的结果对比分析。结果表明组合模型的预测精度高于单一模型,其中小波变换BP神经网络预测模型的效果最好,更加适用于地铁隧道施工引起的建筑沉降分析。