露天不可移动文物具有重要的历史价值,但由于大气环境和自然环境的恶化,已经遭到了不同程度的损坏。随着物联网、传感器等技术的发展,已经实现了对部分露天不可移动文物病害及储存环境信息采集的实时监测、网络共享,但由于传统的人为预测方式缺乏定量的分析,因此通过对监测数据的分析,从而实现对露天不可移动文物病害风险进行定量的预测具有更加重要的意义。由于传统的BP神经网络预测方法在预测精度和过拟合问题上表现不佳,本文建立了基于关联度的Corr-BP神经网络,使用蜻蜓算法对其初始权值分布和代价函数进行了优化,解决了传统BP神经网络预测精度低和过拟合问题,构建了文物病害组合预测模型。主要工作如下:(1)针对经典BP神经网络的过拟合问题,对其代价函数进行改进,使用Pearson关联度作为代价函数建立了组合的Corr-BP神经网络,并且对其结构参数、训练方法以及模型的优化进行了分析研究。在通用数据集上的结果表明Corr-BP神经网络能够解决过拟合问题,提高预测精度。(2)通过与蜻蜓算法结合提出了改进的MODA-Corr-BP神经网络模型,将Corr-BP神经网络的代价函数改进为多目标函数,优化了神经网络的初始权值分布,实验结果表明经过改进后,Corr-BP模型的稳定性得到了提高,比BP和RBF神经网络具有更高的预测精度和训练效率。(3)利用ARIMA、灰色预测模型分别与本文提出的MODA-Corr-BP神经网络模型进行组合预测,实现了对唐顺陵石刻的裂隙、位移的小尺度与中尺度预测,结果表明本文提出的组合模型能够有效降低病害的预测误差,满足文物病害预测的需求。