大坝应力能够直接反映坝体的结构状态,对大坝应力的预测研究有重要的科学意义和工程价值。大坝应力预测模型各影响因子间存在相关性,由于水压分量、温度分量和效应分量等多因素共同作用,各影响因子间的相互关联会引起多重共线问题,容易导致以此为输入的预测模型出现伪回归现象。现有基于机器学习算法的应力预测模型由于训练特征过多、过度训练易产生过拟合现象,其预测精度还有待进一步提高。针对上述问题,提出了基于主成分分析法（PCA）和麻雀搜索算法（SSA）改进后的极限梯度提升算法（PCA-SSA-XGBoost）构建拱坝应力预测模型,将其应用于实际工程中,多元线性回归模型（MVLR）、神经网络模型（RBFNN）、极限梯度提升回归预测模型（XGBR）的预测结果进行对比分析。并同常用的具体研究内容如下:（1）分别从经验公式和数据集中选取影响因子,一方面根据应力的经验公式筛选相关因素,另一方面对各项监测数据进行相关性分析,对两方面的分析结果进行综合考虑;使用主成分分析法对参数进行降维,将具有高贡献率、高特征值的主成分代替影响分量作为预测模型的输入变量降低多重共线性影响。（2）结合目前麻雀搜索算法在相关工程领域中的研究成果,分析了该算法的基本原理,并针对极限梯度提升算法在超参数的取值及调优中存在的问题,提出了SSA-XGBoost算法,详细展示了SSA-XGBoost算法的实现过程。对比SSAXGBoost算法和常规极限梯度提升算法,通过不同内置参数取值的调整分析了在混凝土拱坝应力预测中的参数特征,体现了SSA-XGBoost改进的优势。（3）建立了基于主成分分析法（PCA）和麻雀搜索算法（SSA）改进的极限梯度提升（PCA-SSA-XGBoost）混凝土拱坝应力预测模型,结合我国西南某建成的混凝土双曲拱坝工程的实测数据分析应力预测模型的工程应用效果。结果表明,基于改进极限梯度提升算法（PCA-SSA-XGBoost）的应力预测模型,相比基于应力影响变量未处理的SSA-XGBoost算法、常规极限梯度提升算法、RBF神经网络算法、多元线性回归的应力预测模型的应力预测模型有更好的表现。该模型降低了多重共线性影响,可以有效克服过拟合问题,在精度上具有优越性。