随着一些大坝、高坝的修建，水电在我国能源结构中发挥着越来越重要的作用。同时，大坝的工作性态、诊断大坝的健康状况也就成为坝工工作人员的重中之重。大坝所处环境比较复杂，其在运行过程中可能会发生一些未知的不利因素，所以必须对大坝进行安全监测，一旦发现异常，及时分析并找出原因，就可为大坝的安全补救赢得时间。目前在大坝监测数据采集上已经比较先进。但是对数据样本的建模分析还处于半理论、半经验阶段，为此监测数据分析就变得比较棘手。变形监测是大坝安全监测的最主要项目，也是能够直观反映大坝安全与否的最可靠监测量，而统计模型因其简单、直观而被广大监测人员所使用。因此，本文主要以统计分析法对大坝变形监测资料作了以下分析研究：(1)简单介绍了本文大坝变形监测采集数据所用到的视准线法和前方交会法。在参考前人研究成果的基础上首先分析了组成大坝变形监测模型的基本自变量因子，包括水压分量、温度分量和时效分量。接着讨论了目前比较常用的统计分析方法——多元回归分析法，多元回归分析的缺点是没有考虑自变量之间的多重共线性问题，为此将多元回归分析法进行优化得到逐步回归分析法，对工程实例进行逐步回归分析得到比较满意的结果。(2)逐步回归分析提高大坝监测模型质量的代价是舍弃严重线性相关的自变量项，这在大坝自变量因子对位移量的解释上就不是特别理想。偏最小二乘法有效避免了普通多元回归和逐步回归分析的缺点。它的基本原理是通过将自变量的高维数据空间投影到相应的低维特征空间，得到相互正交的特征向量，且在选取特征向量时强调自变量对因变量的解释和预测，再建立自变量和因变量的特征向量间的一元线性回归关系。既避免了共线性问题，同时也考虑了自变量对因变量的解释。最后通过工程实例验证了偏最小二乘法在大坝变形监测模型上的预测稳定性。(3) BP神经网络是由大量神经元按照一定的拓扑结构生成的非线性动态系统，其训练时对初始权值和阈值的随机选取往往使网络不稳定或者陷入局部极小值。遗传算法通过选择、交叉、变异三种方式的操作，保持模型稳定并不断产生新的变异，具有很好的全局搜索能力。将遗传算法应用于BP网络进行初始权值和阈值的优化，建立GA-BP模型，通过工程实例验证，GA-BP模型要比单纯的BP神经网络模型有更好的训练精度和稳定性。(4)针对传统大坝安全监测单测点建模只能反映大坝局部的变形情况。本文引入测点坐标分析了大坝监测模型的多维多测点多方向模型，通过偏最小二乘法确定模型回归系数，分析了环境量与大坝变形量之间的关系，实例分析结果表明多维多测点模型具有更好的概括性和全面性。