近年来,人们在不断地追求经济发展的同时,产生边坡工程也变得越来越多,为了确保人们的生命以及财产安全,需要对边坡变形可能造成的滑坡危害做出合理的预警预报。支持向量机在解决边坡变形位移这类非线性问题时有明显的优势,并针对传统支持向量机模型的选参问题,提出一种改进的量子粒子群(IQPSO)优化的支持向量机模型,并应用于边坡变形预测实例中。本文首先针对支持向量机模型中的核函数的选取问题,利用国内某实际边坡案例作为研究对象,通过实验选择不同核函数分别做拟合实验,在边坡变形预测方面,采用径向基核函数效果更好。其次针对量子粒子群算法的参数寻优过程的早熟现象,本文对两处进行了改进。第一,由于收缩-扩张系数的选取对参数寻优的精度影响较大,寻优过程中,需要前期的值大些且减小的速度慢,而到中后期需寻优值减小的速度更快,因此收缩-扩张系数利用非线性递减的方式代替传统量子粒子群线性递减的方式变化;第二,在得到平均最优位置后,加入进化因子,使算法在后期跳出局部最优,继续进行搜索获取更优解。通过仿真实验,对寻优结果及精度等进行比较得出IQPSO算法在各方面都要优于QPSO和PSO算法。然后根据IQPSO算法寻优得到核函数中的参数和惩罚参数,构建基于IQPSO优化的SVM边坡变形预测模型。最后将构建的模型应用到溪洛渡水电站的大风湾边坡和付家坪子边坡,并与QPSO-SVM模型和PSO-SVM模型的预测结果对比,利用均方误差(MSE)及平均相对误差(MRE)对预测结果进行评价。实验结果:(1)对于大风湾边坡,PSOSVM模型、QPSO-SVM模型和IQPSO-SVM模型的MSE分别为1.01、0.77和0.10,而三种模型的MRE分别为3.61%、3.19%和1.03%,(2)对于付家坪子边坡,PSO-SVM模型、QPSO-SVM模型和IQPSO-SVM模型的MSE分别为4.20、0.92和0.15,而三种模型的MRE分别为1.65%、0.77%和0.30%。由实验结果可以得出结论,IQPSO-SVM模型在边坡变形预测方面相对于QPSO-SVM模型和PSO-SVM模型,其预测精度提高,有更好的效果。