当前变形监测数据处理领域的研究热点是采用数学理论及信号处理技术分析变形体非平稳、非线性的形变信号,获取反映变形规律的变形特征信息,从而实现对变形体的稳定性分析、变形预测及有效预警。然而变形监测数据中常含有随机噪声成分,并且由于不同类型的变形体采用不同的数据采集方法以及受到多种因素的共同影响,导致监测数据的噪声含量水平存在一定的差异,进而对变形分析的稳定性及预测结果的准确性产生不同程度的不利影响。为了有效掌握变形体的变形规律,通常需采取相应的方法预处理监测数据,以降低各类随机噪声带来的扰动影响。因此,本文依据不同类型的监测数据具有信噪比差异的特性,利用模态分解方法结合熵值理论形成不同的组合降噪方法,分别应用于处理具有较低信噪比特征的IGS基准站GPS高程时间序列,以及较高信噪比特征的大坝水平位移序列和基坑沉降变形序列。此外,采用合理的预测模型准确预报变形体未来的变形发展趋势是变形监测领域的另一个主要研究方向,本文以高斯过程回归（GPR）为核心,针对单一预测模型存在的局限性以及GPR模型存在的不足,利用改进后的果蝇算法对其进行优化并构建组合预测模型。具体研究工作如下:（1）针对GPS高程时间序列受到各类噪声的干扰影响,导致难以提取有用信息的问题,研究了一种基于整体经验模态分解（EEMD）和多尺度排列熵（MPE）的阈值降噪方法。EEMD可将原始信号自适应分解成一系列本征模态函数（IMF）,利用MPE作为指标将其细分为噪声IMF、混合IMF和信息IMF,然后利用阈值函数处理混合IMF,实现二次降噪,最后重构降噪后的数据与信息IMF获得降噪结果,并引入降噪误差比（dn SNR）指标评价降噪质量。通过分析仿真信号和实例,验证了新方法降噪效果最好,能够更好地反映出时间序列本身的非线性变化特性。（2）针对变形监测数据中包含的噪声成分难以有效滤除,从而影响预测结果的精度的问题,引入变分模态分解方法（VMD）处理变形监测数据,并联合样本熵（SE）构建VMD-SE降噪方法。首先利用VMD将原始监测序列分解成K个不同中心频率的带限固有模态函数（BIMF）,再将高频BIMF的样本熵大于设定阈值的分量作为噪声成分直接剔除,最后重构余下的分量获得降噪序列。通过仿真算例和两个工程实例验证该方法的有效性与可行性。（3）为规避高斯过程回归（GPR）采用共轭梯度法求取超参数时存在的缺陷,利用一种改进果蝇算法（MFOA）优化高斯过程回归（GPR）,构建MFOA-GPR预测模型。首先,对标准果蝇算法（FOA）的味道浓度函数进行修正,拓展求解的范围;同时引入了一个搜索半径动态调整参数,使得算法在迭代寻优过程中动态调节全局搜索能力和局部开发能力;再将改进的果蝇算法直接应用于GPR的超参数寻优。通过三个实际隧道工程算例进行分析和检验,不仅验证了MFOA-GPR方法的有效性与可行性,还证实了新方法与VMD-SE方法相结合可以进一步提高预测精度,且具有较好地适用性。