变形监测是采集变形体的变形信息的技术方法，对变形信息进行处理分析是变形监测的最终目的。变形数据的预处理可以有效地去除数据中的误差，有利于下一步的变形分析和预报结果精度的提高。由于变形体的变形具有非线性、模糊性和不确定性等特点，变形预测的传统精确数学模型结果与实际情况相差较大。支持向量机是由Vapnik等人于上世纪90年代基于统计学习理论提出的新的机器学习方法。它能够寻求有限样本数据的最优解，并且比经验风险原理的神经网络学习算法具有更强的理论依据和更好的泛化性能。支持向量机预测模型的参数决定了样本训练误差和对预测样本的推广性，然而目前尚没有完备的理论和方法解决这一问题，只能通过实例仿真以及算法优化。果蝇优化算法是根据果蝇寻觅食物的特性，嗅觉记忆与视觉记忆协同作用下表现出来的群智能。它对于参数的优化选择有着很好的效果，能够做到全局寻优。本文首先利用集成经验模态分解方法分离出变形数据中的高频噪声信号，并针对高频噪声也含有有用信号的问题，对其进行阈值量化处理，保留噪声中所含有用信号，完成变形数据预处理工作。然后针对支持向量机参数的选择这一开放性问题，也是实际应用支持向量机预测模型成功的关键问题，利用果蝇算法进行优化选择，结合工程实例，证明果蝇优化算法简化了支持向量机参数选择，避免了实际工程支持向量机预测应用中超参数选择的盲目性。