由于观测环境和设备等因素的影响,变形监测数据与其真实的变形量有一定的误差,因此需要对数据进行滤波处理,获取其准确的变形信息。通常情况下,变形监测的数据量都很大,那么研究如何及时有效的从大量的监测信息中提取有用信息进行变形分析、预测成为了热点问题。基于此,本文结合小波变换适于分析由短时高频成分和长时低频成分组成且无太多先验知识的信号的优势,主要研究了以下几个方面的内容:　　1.详细介绍了变形监测数据预处理的小波滤波去噪方法。主要是在传统硬阈值和软阈值方法的基础上,对不同小波函数、不同分解尺度的滤波去噪效果进行了具体分析,揭示并归纳了不同小波函数和不同分解尺度的去噪效果,对在变形观测数据滤波中如何选择合适的小波函数和分解尺度提供了参考。同时,对不同阈值方法的去噪效果也进行了对比分析,发现改进阈值方法的去噪效果更佳,特别是改进的软阈值法,其克服了自身存在的不足。　　2.研究了小波变换法在变形监测数据中探测与修复粗差的应用问题。实例分析表明,借助小波的多分辨率分析和数理统计的知识,能有效的探测出粗差,并通过对高频系数模极大值点的插值处理,结合小波重构等理论能够有效的修复粗差,为进一步进行变形分析与预报提供可靠保证。　　3.构建了基于小波变换的灰色模型(小波灰色模型),根据小波变换特点,对变形监测数据序列进行分解,对各个分解后的子序列利用灰色模型进行预测,最后重构出变形预测结果。实例表明,该方法的预测精度高于GM(1,1)模型和经过小波去噪的GM(1,1)模型。　　4.利用小波分析的相关理论和BP神经网络构建了离散型小波神经网络模型和融合型小波神经网络模型,并用其对变形观测数据进行分析与预报。实例结果表明,离散型小波神经网络和融合型小波神经网络的预测精度都高于BP神经网络的预测精度,但融合型小波的神经网络预测精度最高,而且小波神经网络模型都大大减少了运算的迭代次数,使其收敛速度得到了很大的提高。