由于国内城市化发展迅猛,城市交通拥堵问题越来越严重,因地铁是解决城市交通拥堵的理想方式,目前几乎国内所有省会城市要么已经修建好地铁、要么正在修建或计划修建地铁,甚至一些非省会城市如苏州、常州及无锡都已开始修建地铁,可见在不久的将来,地铁将成为国内城市解决交通拥堵的一种普及手段。为保障地铁的安全运营,需实时地掌握和了解隧道结构的变化情况,需针对地铁隧道结构中可能存在的安全隐患及时地进行治理,因此对地铁隧道结构进行变形监测至关重要。本文对地铁隧道结构变形监测中几种关键技术进行了研究,具体研究内容如下：1)在地铁隧道结构人工监测中,由于地铁隧道结构特点及点位布设要求,在地铁沉降监测基准网中常出现自由度仅1的情况；本论文采用常用的稳定性判断方法(平均间隙法、限差法和t检验法)对自由度等于1和自由度大于1的沉降基准网进行稳定性分析与探讨。2)在地铁隧道结构自动化监测中,一般平差软件没有三维导线平差功能,只能将平面与高程分开进行平差计算,而人为地将其分开进行一维、二维平差,从理论上来说,破坏了基准点之间的完整性和统一性。若只利用一台自动化全站仪进行监测,此时可采用后方交会进行三维导线网平差处理；本文针对这种情况,以水平方向、天顶距和斜距观测值作为初始值,采用间接平差进行严密平差,并进行精度评定,推导了后方交会三维平差模型。由于三层架构开发模式将软件程序开发分成了界面层、逻辑层和数据访问层,大大降低了各层之间的依赖性,使各层更加独立,大大提高了软件的稳定性,所以本论文采用三层架构模式开发了后方交会三维平差程序。3)在地铁隧道结构自动化监测中,地铁隧道结构短时变形量小,监测数据表现为弱信号;自动化全站仪在测量过程中,受到运营地铁震动及风速的影响,使得观测结果中含有大量噪声,表现为强噪声;本论文利用小波分析进行滤波处理。目前BP神经网络是应用最多、最广泛的神经网络模型,本论文采用BP神经网络对地铁变形监测数据进行预测。虽然BP神经网络具有较大优点,但其也存在如下缺点：容易陷入局部最小、收敛速度慢、网络结构设计较盲目等,本论文利用小波分析对BP神经网络模型进行改造,构造小波神经网络模型,然后采用小波神经网络模型对地铁变形监测数据进行预测。将本论文所研究的几种关键技术应用于南京地铁隧道结构监测中,得出如下有意义的结论：1)当监测网自由度等于1时,采用限差法进行稳定性判断较好,因为此时平均间隙法和t检验法的假设检验分位值相对较大且不稳定。2)在实现了监测数据平差功能之上,采用三层架构开发的程序软件；三层架构开发模式将软件程序开发分成了界面层、逻辑层和数据访问层,使界面层、逻辑层和数据访问层更加独立,使软件的稳定性更加优越。3)利用小波分析可以滤去监测数据中的大量噪声,提取了监测数据的变化趋势。4)通过对监测数据进行预测,发现BP神经网络和小波神经网络都有较高的预测精度；因小波神经网络通过小波变换函数对BP神经网络预测精度稍高。