水利设施的安全问题关乎到国计民生,水利设施长期安全稳定地运行将产生巨大的经济效益,对水利设施进行安全状态评估可以较好地研究其运行规律、评价其各个时期的运行状态。水利设施所处的环境通常条件恶劣、具有较为复杂的工作机制,使得其在长期运行当中容易受到多种环境因素的影响,单一的监测指标无法充分体现出结构破坏所含有的特征,难以实现对水利设施整体运行状态预测与评估。本文以某水电站4#引水涵洞为实际工程背景,以实际形变数据预处理、形变数据时序预测以及安全状态评估作为主要研究内容,为了解决时间序列数据特征提取不充分及传统循环神经网络（RNN）存在“梯度消失”与“梯度爆炸”的问题,使用双向长短期记忆网络（Bi LSTM）把预测残差与温度信息作为输入进行融合预测,提高了预测精度;针对水利设施影响因素较多、运行机制复杂的问题,采用多态贝叶斯网络结合多个重要影响因素进行贝叶斯网络推理得到水利设施处于各个安全等级的概率;最后采用层次分析法对水利设施安全状态打分,以印证多态贝叶斯网络计算结果。传感器在采集数据时受到干扰或者仪器故障而产生异常数据和大量波动信号,从而对后期时序预测产生较为不利影响。本文采用3?准则实现对原始序列异常值的检测以及剔除,由于时间序列相邻数据之间具有较强的相关性,因此使用均值插值法实现对原始序列数据的补全,在数据降噪时采用EMD-小波降噪方法,此方法相较小波降噪具有能够最大限度地保留原始数据的整体趋势与局部特征以及具有数据还原度较高的优势。水利设施安全监测数据是时间序列数据,既有趋势性又有季节性的特点。为了获得更准确的预测结果,结合某水电站4#引水涵洞监测数据,建立了一种基于SARIMA-Bi LSTM的预测模型,以解决无法充分挖掘数据中正向与反向的关联进行预测的问题。该模型采用季节自回归差分移动平均（SARIMA）模型预测变形数据中的线性分量,采用双向长短期记忆（Bi LSTM）模型融合残差信息与温度信息协变量进行数据中非线性分量地预测,使得模型能够更好地提取历史数据中的非线性关系以及正向与反向关系从而提高预测准确度,通过与BP、SARIAMA、SARIMA-LSTM网络的预测结果进行对比,实验表明此复合模型的预测精度均高于前三者并且能够更好地反映序列整体变化趋势和局部特征。为了验证不确定度对该模型预测结果的影响,分别将渗透压力、应力等指标数据进行预测,实验结果表明该模型能够较为稳定地进行时序预测。为了合理选取引水涵洞安全状态评价指标,基于多源融合思想采用多个指标进行全面评估,根据风险因素选取原则选取外载荷作用、材料劣化、形变以及渗漏水作为为一级指标,选取衬砌应力增大系数、剥落面积等作为风险状态评估的二级指标,并依据相应的评定标准对每个评价指标的状态进行划分。在查阅相关文献并结合专家知识的基础上构建多态贝叶斯网络体系,结合现场资料以及专家经验得出各个根节点的先验概率和中间节点的条件概率,对引水涵洞的安全状态进行正向推理计算出其处于每个安全等级的概率,并结合证据信息实现了对目前以及未来数年安全状态的更新;针对多态贝叶斯中条件概率表存在信息不完备、精确性较低的问题,使用层次分析法对多态贝叶斯网络运算结果进行印证,实验结果与多态贝叶斯网络结果一致,印证了多态贝叶斯网络评估体系的准确性和可靠性。