对于边坡变形监测数据而言,含有大量的噪声是必然的,那么如何去除这些噪声,最大限度的得到真实信息是必须解决的问题。小波分析是一种高性能的信号分析方法,具有优良的去噪能力和时频局部化分析功能,能够检测信号奇异点分布,对非平稳时间序列具有良好的分析能力。本文主要研究内容有：一、通过小波包分析对监测数据进行分析,其中重点研究了最优小波包基的选取准则,通过仿真实验得出选取阈值熵是最优的。二、对于最大尺度的选取,并不是去噪后的均方误差RMSE越小则去噪效果越好,只能表示与实测数据很接近。提出均方误差限越小则说明去噪后的信号当误差限r越小时,对应尺度下得到的信号更加稳定,此时该尺度为最佳分解层,通过具体实验分析,求解得到最佳分解层的大小。三、小波包分解是通过逐层二叉树不断分解,随着分解层数的增大,小波包变换系数应该是逐渐减小的,对应的阈值也应该是减小的,而不是在同一阈值下。提出对阈值进行修正,去噪结果表明该方法更优。四、运用新信息GM(1,1)、新陈代谢GM(1,1)、ARMA模型、BP神经网络模型的预测对去噪后的数据进行预测分析,新陈代谢GM(1,1)是将新的信息不断补充,同时及时的去除老信息,不断的新陈代谢,可以使得计算机内存不会增加,建模的运算量也减少,结果表明新陈代谢GM(1,1)效果理想,验证了将灰色模型运用于边坡监测数据的可行性。