在水利事业飞速发展的今天,安全监测在水工建筑物从施工开始到竣工,以及运行期间都必不可少。只有在掌握了建筑物的变形情况以后,才能了解其真实的运行状态,确保水工建筑物的安全。因此对大型水工建筑物进行变形监测并且对其数据进行分析处理就尤为重要。通过国内外学者多年来的不断研究与不懈努力,有关大坝安全监测方向的理论模型以及计算方法取得了长足的进步与发展,为大坝安全运行提供了可靠的理论支持,但是客观来看,在某些方面依然存在不足,有待改进。高斯过程作为新兴的机器学习方法,提高了预测模型的可解释性,并且提供了对于预测模型的选取和学习框架的结构。近年来,高斯过程的理论不断进步发展并在众多领域中得到广泛应用。本文以土石坝沉降位移为研究对象并引入了高斯过程回归模型,主要研究内容如下:（1）介绍了多元回归分析法与人工神经网络法这两种较为传统的建模方法的计算原理以及操作流程,并结合工程实例,根据2005～2012年的水位、温度、时间等观测资料,对工程中某测点2005～2012年的沉降值进行拟合,并对2013～2014年的沉降变形进行预测。将预测结果与实际沉降量进行对比,发现多元线性回归模型与人工神经网络模型的预测精度不够理想。（2）针对传统模型预测精度不足的问题引入高斯过程回归,并详细介绍高斯过程回归的计算原理、高斯过程回归模型的建立过程。根据观测资料对实际工程2013～2014年的沉降变形进行预测,并将预测计算结果与多元线性回归模型及人工神经网络模型的预测结果进行对比,验证高斯过程回归模型预测的准确性。（3）为进一步提升模型精度,降低复杂环境中系统噪声和观测噪声对观测数据造成的不良影响,引入了小波理论并详细介绍了小波去噪的计算原理及操作流程。通过采用小波分析对实际工程的观测数据进行去噪处理,建立高斯过程回归模型进行拟合与预测,从而使得模型精度得到提升,证明了基于小波去噪的高斯过程回归模型在实际工程运用中具有可行性与实用性。高斯过程回归模型不仅在精度上优于传统模型,而且在进行较为精确的拟合与预测的同时,能够给出具有较高可解释性的置信度,有利于判断依靠预测结果的决策风险,为工程中大坝的安全运行提供科学依据。