山区公路边坡地质灾害点多面广,成因复杂。公路作为国民经济的命脉,一旦发生地质灾害,容易造成较大的经济损失和人员伤亡。而变形作为公路边坡地质灾害最直接的宏观表现,其预测精度直接影响了山区公路边坡防灾减灾工作精准开展。随着北斗导航系统全球组网成功,北斗卫星导航系统在公路边坡变形预测中的应用也成了公路工程界的研究热点。本文旨在通过多源数据融合模型,将基于北斗的山区公路边坡表面位移监测数据、深部位移监测数据与降雨监测数据结合,开展山区公路边坡变形预测研究。本文主要研究内容及成果如下:（1）研究了山区公路边坡变形特征及其发育过程,结合其变形影响因素,构建了基于北斗的表面位移监测、基于测斜仪的深部位移监测及降雨量监测为主的公路边坡变形监测系统。（2）结合非参数检验方法和图形检验法对边坡监测数据的正态性进行了检验;通过拉伊达准则（3σ准则）、格拉布斯（Grubbs）准则、迪克逊（Dixon）准则对边坡表面位移监测数据奇异值进行了去除,并结合深部位移监测数据和降雨数据对奇异值进行了验证,构建了北斗表面位移监测数据奇异值去除方法;基于Matlab软件通过db5小波对监测数据进行了信噪分离,并对其降噪质量进行了评价,完成了变形监测数据的预处理。通过预处理后的变形监测数据得到边坡累计位移-时间曲线,结合边坡月累计变形量、位移变形速率与加速度,提取了两处边坡的变形特征。结果表明,短期监测数据边坡（监测时长为52天）在监测期间发生了边坡发育的阶跃,目前处于加速变形阶段,边坡稳定性较差;长期监测数据边坡（监测时长为450天）在监测期间发生了滑坡,目前处于初始变形阶段。（3）基于EMD（经验模态分解模型）和CEEMD（完备经验模态分解模型）将边坡表面位移分解为趋势项位移和周期项位移,对趋势项位移选用灰色GM（1,1）模型、BP神经网络（误差反向传播模型）、PSO-BP（基于粒子群优化的BP神经网络模型）进行预测,对周期项位移选用BP神经网络和PSO-BP神经网络进行预测,基于时间序列加法模型将预测得到的结果叠加得到最终的预测结果。为对比分析监测数据量及边坡发育阶段对预测结果的影响,分别结合长期监测数据边坡和短期监测数据边坡真实位移对边坡变形预测结果进行验证。结果表明,EMD/CEEMD-PSO-BP为山区公路边坡变形预测最优模型;基于不同数据量和不同边坡发育阶段的监测数据,其变形预测精度相差不大,但当监测数据中含有滑坡阶段的监测数据时,会导致边坡变形预测结果降低。（4）验证了EMD/CEEMD-PSO-BP预测模型对边坡深部位移的适用性,对深部位移与表面位移进行了相关性分析,结果表明二者有较显著的相关关系。基于PSO-BP预测模型将深部位移、降雨、监测时间序列等多源数据融合,对边坡表面位移进行了预测,为山区公路边坡表面位移的预测与缺失数据的插补提供了新思路。