尾矿库是一座重大危险源,其发生溃坝的概率远远高于普通水库,一旦有溃坝事故的发生,将会给下游居民的生命财产和周边环境造成严重的危害。我国尾矿库众多,根据数据统计,目前全国约有14125座尾矿库,其中有危库824座,险库1413座,病库5132座。通过数据可以看出我国尾矿库安全形势不容乐观。尾矿库安全评价预测能够及时评估尾矿库的安全程度,降低灾害发生的风险,是尾矿库研究的核心。影响尾矿库安全程度的指标有很多,不同的安全因素之间也会相互的作用影响。本文在国家自然科学基金项目的资助下,结合具体尾矿库工程项目,获取尾矿库各影响因素的监测数据,采用深度学习的相关方法,解决尾矿库的安全评价预测问题,结合国家制定的安全标准,建立了自适应的尾矿库安全评价预测模型。本文的主要研究如下:（1）总结已有的尾矿库预测方法,并对其进行比较分析。本文将已有的尾矿库安全预测评估方法分为三类:物理计算法、数据预测法和机器学习法。分别介绍各类方法的使用情况,重点探讨机器学习的各类算法,比较它们在尾矿库安全预测评估中各自的优点和缺点。针对当前研究的不足,提出使用深度学习的方法对尾矿库进行安全评估预测。（2）针对尾矿库的浸润线指标,构建了应用于浸润线指标时间序列预测的长短期记忆网络。长短期记忆网络是一种特殊的循环神经网络,能够捕获时间序列数据之间的长期依赖信息,非常适合于浸润线指标的预测。本文针对浸润线高度时间序列的特点,使用长短期记忆网络模型对浸润线高度进行预测。（3）将尾矿库的致灾因子进行分析,通过主成分分析法提取出安全指标中的主要信息,建立了基于深度学习的多维时间序列分析模型。模型能够结合尾矿库的各项安全指标,对尾矿库进行综合的安全程度评估和风险预测。实验表明,该模型在性能和预测精确度上比当前常用的模型有了较大的提高。（4）建立了自适应尾矿库安全评价预测模型。在该模型能够在运行的过程中不断收集尾矿库各项指标的实时信息,实现了对尾矿库的实时评估和风险预测。通过实验分析验证,自适应尾款库安全评价预测模型的性能比原模型有了一定的提高,能够充分利用尾矿库安全指标的多元相关性。