滑坡作为世界上仅次于地震的第二大地质灾害,每年都会给我国带来了巨大的人员伤亡和经济损失,严重影响着国家和社会的现代化建设。建立边坡监测预警系统是人们应对滑坡灾害的有效措施,而边坡变形的准确预测是其中的核心组成部分。目前采用智能算法建立的边坡位移预测模型由于其非线性等优势,被广泛应用在众多实际工程中,但它也存在数据库冗余度高、算法待优化和结果缺乏修正等问题。本文以课题组已建成的深圳市土洋社区边坡监测系统为基础,针对上述存在于边坡变形预测前、预测中和预测后三阶段的主要不足,提出了预测效果更佳的基于混合智能算法的边坡位移预测方法,并据此建立了基于监测数据的多参数预测预警机制,对于类似堆积层土质边坡的防灾减灾工作具有一定参考价值。本文主要研究工作及结论如下:深入分析总结了边坡监测数据规律与变形机理。在介绍土洋边坡监测系统基础上,选取了2016年7月26日至12月26日间各类监测数据为具体研究对象,从深部位移、表面位移及速率、降雨与地下水位、降雨与湿度四个方面对监测数据变化规律进行了分析和总结,并进一步据此明确了边坡位移的影响因素,相关结论可作为后续建立边坡位移预测数据库的依据。针对位移预测前数据库中存在大量冗余信息和数据自身的高维复杂特征问题,提出了一种利用多种数据挖掘技术处理边坡监测数据以获取有效信息并建立位移预测数据库的方法。基于粗糙集(Rough Set,RS)对初始数据库进行了属性约简以解决数据库冗余问题,并验证了其改善效果;利用核主成分分析(Kernel Principal Component Analysis,KPCA)对约简集进行信息提取以实现数据降维,并建立了综合指标数据库;为获取有效信息,在约简集数据库基础上采用Aprori算法实施了关联规则挖掘,并建立了14个置信度较高的变形阶段预测判据,与此前边坡变形机理分析结果相呼应。针对边坡位移预测前、预测中和预测后的核心问题,基于三阶段优化思想,建立了混合智能算法位移预测模型。采用经RS-KPCA方法处理后得到的综合指标数据库,解决了预测前的数据库冗余问题;选取最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)并采用量子粒子群算法(Quantum Particle Swarm Optimization,QPSO)优化其参数,解决了预测中模型建立方法的选择及优化问题;采用马尔科夫链(Markov Chain,MC)模型进行残差修正,解决了预测后的数值修正问题;结合其他方法和实测数据验证了三个不同优化阶段位移预测模型的有效性,并进一步明确了最终混合智能算法位移预测模型的应用流程和适用边坡特征。针对现有边坡预警方法中的不足,建立了多参数预测预警机制。在对其他边坡实例预警机制进行对比分析基础上,根据土洋边坡监测数据的分析结果,同时建立了降雨、地下水位和位移速率三种参数的预警阀值,解决了传统阀值预警方法中的误报问题;利用速率倒数法实现了危险状态下边坡失稳时刻的高可靠度预测,解决了报警后滑坡避灾可用时间未知的问题;结合已建立的边坡位移数值预测模型和变形阶段预测判据,提出了相应的多参数预测预警方法。