地面沉降是威胁大型基础设施建筑结构安全的重要隐患之一,以城市中日益增建的轨道交通为例,其建设和运营过程中易诱发附近地表沉降,且受到不均匀沉降的影响较大。然而引发地表的原因众多较为复杂,不仅是由于其巨大的建筑荷载和地铁运营时的长期剧烈震动与冲击,也与地层的性质及水文活动有关。轨道交通沿线沉降情况关乎到地铁的安全运营以及地表沿线其他建筑设施的稳定,因此对轨道交通沿线进行短周期的沉降监测十分必要。目前,对于地铁沿线的沉降监测还是以水准测量和GNSS为主,但一般非剧烈地质活动引起的地面沉降其幅度是较为缓慢的,在短时间内可能难以发现（一般由人工进行定点的沉降观测周期较长）。因此传统的沉降监测手段虽然有高精度的优势,但是无法做到大范围,高频率,全天候的进行监测,而且在数据采样上的空间分辨率不高,所以已不能满足快速发展的轨道交通的监测需求,目前已趋于成熟的时序In SAR技术可对大范围的区域地表进行高频率,全天候的监测,且应用成本较低。本文以宁波轨道交通为例,基于时序In SAR技术对地铁沿线地表进行时序沉降监测分析,将其中产生不均匀沉降的区域重点分析,并构建遗传优化算法的BP神经网络预测模型对不均匀沉降区的沉降趋势进行预测,获取高危沉降区域的先置信息,对于沉降防治有重要意义,构建此监测与预测体系,可快速的为地铁及周边设施的运营维护提供科学的数据参考和决策支持。本文的主要工作内容和结论如下:（1）选取覆盖地铁线路范围50景的Sentinel-1A数据,运用PS-In SAR和SBAS-In SAR技术对宁波市市区范围进行监测,以获取地表平均形变速率变化和各个时序上的累积沉降量,将两种方法的结果进行对比验证,得到同名点的回归函数y=0.9115x+0.4722,平均沉降速率的拟合优度R~2=0.901,证明基于PS-In SAR技术的沉降监测结果较为可靠。（2）对宁波市区及轨道交通沿线地表500米范围进行形变特征结果分析,监测数据表明地铁沿线及范围内处在靠近城市中心的区域内沉降情况比较稳定,大多区域处于稳定的轻微抬升趋势,沉降速率集中在-5mm/a到8mm/a,地铁及沿线范围内发生较明显的沉降区域的平均沉降遂率分布集中在-8mm/a到-20mm/a之间,沉降量较大区域主要集中于宁波市区的西北方向和东南方向上,最大的沉降速率达到了-37mm/a,累计沉降量达到了-120mm以上,其中,沿线范围内的区域沉降速率最大达到-31mm/a,累计沉降量达-112mm,此处位于地铁四号线东钱湖站附近。其中,对一、二号线沿线进行沉降剖面分析,有多个站点和路段有不均匀沉降的发生,并分析讨论了引发地铁沿线沉降的原因。（3）使用遗传优化算法的BP神经网络构建地铁沿线地表沉降预测模型,对不均匀沉降区域进行沉降时序预测,利用前45期的沉降数据进行学习训练,并用后5期数据测试预测精度误差,将GA-BP模型训练之后的预测效果与传统BP算法进行预测精度和性能对比,结果表明:GA-BP神经网络模型能较好的预测未来五个月范围内地铁沿线地表沉降情况,同时保持性能较优,并且其预测精度要显著优于传统BP算法。