随着科学和计算机处理技术的不断发展,变形测量数据处理新方法不断涌现,人工智能方法成为变形数据处理研究的热点。与传统数据处理方法相比,人工智能方法正以其自主学习、自适应、高容错以及预测准确等优点,在变形分析和准确预报中扮演着越来越重要的角色。本文针对目前人工智能数据处理方法的特点,对多种智能方法结合用于变形分析预报分析进行了研究,主要研究内容如下:1、研究了小波变换数据去噪的方法。利用小波分解与重构的方法对原始观测数据进行去噪处理,采用数据信号的均方差变化量、互相关系数、信噪比以及平滑度四个评价指标,并将其归化到[0 ,1]后,综合分析的方法确定小波分解重构的级数。2、研究了小波神经网络用于变形预报的精度。根据神经网络存在容易陷入局部极小以及收敛速度慢的问题,采用小波函数替代神经网络的激活函数形成小波神经网络,并将其进行变形预报,得到了比人工神经网络更高精度的预报值。3、将遗传算法小波神经网络应用于变形预报。根据小波神经网络有时仍然会存在收敛速度慢和受局部极值影响等缺点,利用遗传算法能在全局范围寻求最优解的特点,将遗传算法与小波神经网络结合形成遗传小波神经网络,并将其成功应用于变形预报,实现了比BP神经网络及小波神经网络更为准确的变形预报。4、将算法预测的稳定性及有效区间作为判断算法优劣的两个指标,分析了BP神经网络、小波神经网络和遗传小波神经网络三种算法变形预测的稳定性及有效区间,进一步肯定了遗传小波神经网络的预测能力。5、分析了构建多传感器变形测量系统需要解决的几个问题:各种传感器与系统的数据交互、数据的存储管理及数据的融合分析问题。