滑坡既受内部地层分布特征、岩性等非线性因素的作用,又受外部降雨、地震以及植被等随机因素的影响,其变形发展演化是一个充满确定性与随机性、渐变性与突变性的复杂过程。滑坡地质灾害的频发性给人民的生命财产造成重大损失,为尽可能的避免或减轻生命财产损失,滑坡的预报预测凸显出至关重要的作用。不同类型的滑坡在变形过程中,其位移-时间曲线在滑坡孕育和滑动的各个阶段的形态是不同的：因此不同类型的滑坡各变形阶段的位移发展变化制约了滑坡预测预报模型的选取。本文以西部交通建设科技项目—《云南省公路水毁动态监测及预警技术研究》依托,通过选取丁家坟滑坡为典型研究工点,将既有的丁家坟滑坡变形监测数据运用至优化论证的灰色GM(1,1)模型、斜坡失稳的协同预报模型、BP神经网络模型、动态分维跟踪预报模型、时间序列R/S模型中,借助模糊变形预测模型优选评定模型式综合评价不同模型预报优劣程度,提出各个模型的最优使用范畴。本文主要成果如下：(1)灰色GM(1,1)模型通过改变模型的背景值序列和边值条件进行模型筛选,利用残差模型对优选模型进行残差修正,明确表述模型输入等时距(非等时距的位移序列应进行等时距转换)、近似单调递增(特殊情况下递减)、呈近似指数函数变化趋势时间位移序列时,滑坡预测预报模型的精度最高。灰色GM(1,1)模型适合于滑坡变形的中后期预测预报。(2)BP神经网络模型采用三层网络结构的BP神经网络,输入层采用线性传输函数,隐层采用S型传输函数(logsig),输出层采用线性传输函数。网络的结构和训练向量的大小通过不同的训练函数进行网络训练,直到训练至适合边坡变形趋势的网络结构,再将训练好的网络结构运用至边坡变形仿真预测。创新之处在于本文通过自适应学习率调整法和增加动量法对一般BP神经网络模型进行改进,并将滑坡位移和降雨量两个因子同步输入改进预测模型中,藉以提高模型预测精度。BP神经网络模型优先适用于滑坡变形的中后期预测预报。(3)协同预报模型利用残差系列建立模型并对原模型进行修正优化,进一步明确优化模型输入等时加速变形位移序列时,滑坡预测预报模型精度较高。协同预报模型主要适用滑坡滑坡变形的中后期(变形转化阶段预报)预测预报。(4)分形之动态分维跟踪预报模型用表征斜坡变形全过程的具有混沌特征时序位移序列建立相空间,计算时序位移序列分维值,根据分维值D判定滑坡动态并进行预测预报。动态分维跟踪预报模型适用于各类边坡的预测中长期预报。(5)分形之时间序列模型分形之时间序列模型是动态分维跟踪预报模型的补充完善验证模型,用于判定滑坡稳定状态(初始蠕变阶段、匀速蠕变阶段、加速蠕变阶段)。随着边坡的渐进性失稳,H曲线和C(t)曲线呈明显下降趋势,表明滑坡体总体稳定的持久性处于降低状态；滑坡的赫斯特指数H大于0.5,时间函数C(t)大于0,表明滑坡处于整体处于稳定状态；若Hi、C (t)值越大,表明边坡的稳定性越具有持久性,进而说明边坡的稳定性就越高；当Hi=0.5时,C(t)=0,分维值D在1附近波动,滑坡处于临界状态,一经触动就发生整体滑坡。时间序列分析方法能够较好的反映边坡动态变形规律,计算结果与滑坡实况相吻合,进而说明时间序列分析不仅能够用于滑坡预报,而且能够进行滑坡稳定性评价和危险级别划分。(6)模糊变形预测模型优选评定模型式综合评价不同模型预报优劣程度,综合考虑滑坡的滑动状态、模型最优使用阶段和数据来选定预报模型。应用MATLAB软件将5个预报模型集成为一个滑坡预报软件系统,实现滑坡综合预报,提高预测预报精度。(7)利用2010年1-7月份云南省双柏县丁家坟滑坡工点实时监测数据,根据模型预测结果分析,BP神经网络模型、灰色GM(1,1)模型、协同模型都能反映边坡的变形趋势。比较这三个模型的位移预测精度,BP神经网络模型预测精度较高,灰色GM(1,1)模型次之,协同预报模型误差较大,这主要是不同模型的适用范畴受制于滑坡不同的变形发展阶段。动态分维跟踪预报模型和时间序列模型计算结果与滑坡现状(匀速蠕变阶段)基本一致,说明这两个模型能够反映滑坡动态。比较这两个模型,动态分维跟踪预报模型的分维值D呈显先增后降趋势,分维值未在1范围内波动,说明滑坡处于匀速蠕变阶段；时间序列模型定量角度描述了滑坡整体稳定性降低指数,它是动态分维跟踪预报模型的补充完善模型。