随着我国经济的持续稳定发展及国家对水利事业的重视,水利工程建设方兴未艾。水利工程建设中常遇到高边坡稳定问题,此外,水库蓄水诱发库区滑坡问题日益受到人们的关注。边坡安全关系着人民的生命财产安全,边坡变形时间序列预测是水利工程学科的重要研究领域。边坡系统是一个复杂非线性动力系统,其稳定性受水文地质条件、周围环境以及人类工程活动等多种因素综合影响,变形破坏机制复杂,给边坡变形时间序列的预报预测及稳定性评价带来了极大困难。因此,开展边坡变形非线性时间序列预测的研究具有重要的现实意义与研究价值。高斯过程(Gaussian Process)是新近发展起来的一种机器学习方法,对于处理高维数、小样本、非线性等复杂问题具有良好的适应性,本文将高斯过程机器学习方法引入到边坡位移的预测中来,主要研究工作及成果如下：(1)针对传统的基于线性模型时间序列预测方法的预测精度不高、神经网络易出现过学习与最优网络结构及其超参数难以确定、支持向量机核函数及其超参数难以合理确定等公开问题,开展了基于高斯过程回归模型的非线性时间序列预测方法研究,经典算例研究结果表明,该方法是可行的,与传统方法相比较,该方法在外推预测精度上具有一定的优越性。(2)提出了基于高斯过程回归模型的边坡变形非线性时间序列预测方法,通过三峡水电站永久船闸高边坡、卧龙寺新滑坡、龙滩水电站进水口高边坡等三个大型边坡工程实例的应用研究,验证了本文方法具有预测精度高、参数自适应获取的优点,对边坡变形非线性时间序列预测具有良好的适用性。(3)针对以往的边坡变形时间序列预测研究在外推预测结果科学评价手段上的局限性以及合理外推预测步长难以确定的公开问题,利用高斯过程回归模型的外推预测方差,提出了边坡变形时间序列外推预测结果的相对不确定性系数(RUC),通过定量化描述外推预测结果的不确定性,建立了边坡时间序列外推预测结果的不确定管理等级标准,为边坡变形时间序列的合理外推预测步长的决策提供科学依据。