伴随着改革开放三十年我国的经济腾飞,水电建设产业高速发展,水坝的规模不断扩大和增高,同时大坝的安全问题也显得更为突出和重要。大坝变形预测是大坝安全监测系统的重要一部分,对于确保大坝安全运行具有非常重要的作用。大坝变形预测就是根据已有的监测资料预测未来的大坝变形量。大坝本身内部结构复杂、工作环境恶劣,并且还有繁多的不确定性影响因素,这些因素和大坝变形量之间的关系难以定量确定。因此,本文将具有自组织性、自学习性、自适应性和模糊推理能力等特点的BP神经网络应用于大坝变形预测,利用它的非线性函数逼近能力来有效地拟合大坝的变形量与影响因素之间的非线性函数关系。但在BP神经网络应用于大坝变形预测的实际过程中,也存在着一些不足之处,因此需要采取一定的方法和措施来改善BP神经网络的算法性能。本文通过对BP网络模型结构及学习规则的研究,针对BP神经网络的初始化权值和阈值的随机性,导致训练速度慢和易落入局部极小等弱点,运用具有并行特性和全局优化能力的粒子群算法(PSO)对BP神经网络的权值和阈值进行优化,建立了粒子群BP神经网络模型,并以丰满大坝多年监测的坝顶水平位移资料为例进行实证分析,采用MATLAB软件编制模型的程序,并与经典的BP神经网络模型的拟合预测结果相比较,分析得出PSO-BP模型的收敛速度更快、预测精度更高。另外,本文尝试对大坝的变形区间进行定级预测,并建立相应的基于PSO-BP神经网络的大坝变形区间预测模型,同样采用丰满大坝坝顶水平位移资料,运用MATLAB软件编程实现仿真,通过对拟合预测结果分析显示,基于PSO-BP网络的大坝变形区间预测模型可以满足生产实际的精度需求,也是一种值得采用的预测模型。