随着我国水利工程的快速发展,大坝安全监测的任务也日益加重。变形值作为反映重力坝安全状态的综合变量,是评判结构性能的重要指标,对坝体变形值进行监测分析可以更好地了解坝体变形规律、预测坝体变形趋势,对重力坝的安全稳定运行具有重要意义。然而,大坝运行中面临很多不确定因素且监测周期较长,从数据采集到数据传输再到数据存储的过程中,如仪器损坏、网络中断均会导致数据缺失。由于目前的数据分析方法及程序均基于数据的完备性进行实现,当存在数据缺失时会导致分析结果的可靠性降低,不利于后期的大坝安全性态评价工作。因此,如何对变形监测数据中的缺失值进行有效插补,以得到更高质量的数据集,对于大坝安全监测预警预报结果可靠性的提高具有重要意义。本文针对不同类型的缺失值,基于重力坝变形时空分布规律,利用深度学习模型长短时记忆神经网络（LSTM）分别构建了数据修复模型对缺失值进行插补。主要研究内容与成果如下:（1）针对重力坝变形监测数据中的缺失值问题,通过分析大量实际监测数据,对缺失值的成因、模式、产生机制以及传统缺失值处理方法进行研究。同时,通过工程实例计算表明,当重力坝预测模型的训练集存在缺失值时,预测模型的精度会明显下降,不能准确反映测点的真实位移情况,证明了对监测数据缺失值进行插补的必要性。（2）针对单测点数据缺失问题,基于最大信息系数（MIC）进行相关性分析,量化了变形监测数据中同类型效应量之间以及效应量与环境量之间的关系,引入长短时记忆神经网络（LSTM）挖掘不同变量间的特征信息,建立了基于MIC-LSTM的变形监测数据缺失值修复模型。研究结果表明,通过MIC相关性分析优选输入因子后,模型的缺失数据修复精度有明显提升;在选择模型的输入因子时,应选用同类型的测点数据作为自变量进行分析,且应根据相关性分析结果优先选择相关系数最高的测点作为模型的输入因子。（3）针对多测点数据缺失问题,利用自适应噪声完全集合经验模态分解（CEEMDAN）分解变形序列,基于排列熵（PE）算法对不同尺度分量的复杂度进行评估,为减小计算规模及计算误差,对复杂度相似的分量进行重组,建立基于CEEMDAN-PE-LSTM的重力坝多测点数据缺失值修复模型。计算结果表明,与传统预测模型相比,本文提出的多测点插补模型对变形监测数据缺失值的修复精度较高,能准确反映缺失数据段的监测值实际变化规律,通过实例计算验证了模型具有良好的泛化性与普适性。（4）为验证缺失值插补对预测模型精度提升的有效性,构造了四种不同缺失率的数据集,分别用本文所提出的M-L及C-P-L缺失值插补方法及传统缺失值处理方法对缺失数据集进行插补。基于不同插补方法得到的数据集,利用传统预测模型支持向量机（SVM）、BP神经网络以及LSTM神经网络进行预测。结果表明,使用M-L及C-P-L缺失值插补方法得到的数据集进行预测时结果精度较高、误差较小,且在不同缺失率下的稳定性均较好,说明这两种方法能有效应用于提升监测数据质量。通过多测点结果对比分析进一步证明了本文所提出插补方法的有效性与普适性。