我国幅员辽阔，地质环境纷繁复杂，交通建设迅速发展在给人们带来便捷，为区域带来发展的同时，也孕育了大量土质边坡，土质边坡稳定性问题愈加突显，减少边坡灾变引发的人员伤亡与经济损失显得十分必要。通过文献调研、理论分析、数值分析及边坡监测信息对比相结合，基于现代数学分析理论及机器学习方法对边坡的安全态势评估与预测开展研究。建立了基于位移切线角拟合方程斜率和改进位移切线角的边坡态势评估方法，采用三次埃米特插值和小波降噪的数据预处理方法以获取更多边坡真实变形信息，通过L-M算法的BP神经网络预测模型开展了边坡态势的预测。主要研究成果如下：
　　1.通过常用边坡态势评估判据特点的分析，针对土质边坡三阶段发育规律，采用位移类指标作为边坡安全态势评测判据。基于国内外20多个典型边坡发育位移数据，总结了边坡经典三阶段发育理论之外的6种边坡演化模式，针对不同边坡在同一发展阶段内判据数值差距大的现象，提出了基于位移切线角拟合方程斜率和改进位移切线角的边坡态势评估方法。
　　2.针对监测资料可能存在仪器误差、系统误差和一些非真实噪声波动的情况，提出了基于三次埃米特插值和小波降噪的监测数据预处理方法。依据工程边坡监测信息，基于MATLAB进行降噪实验，确定最优降噪方法。
　　3.通过6种常用边坡趋势预测模型的基本原理及适用性分析，针对工程中高精度实时监测系统获取的海量监测数据，采用BP神经网络模型进行预测，依据工程边坡监测信息，通过MATLAB进行模型优化，提出了基于L-M算法的边坡安全态势预测模型。
　　4.依托广州某高速公路K10+585～K10+820右侧土质边坡表面位移监测系统，采用论文筛选出的最优方法对监测信号进行了降噪处理。采用基于位移切线角拟合方程斜率的边坡状态评估方法得到了该坡处于匀速变形状态的认识。使用该边坡原始监测信号及降噪监测信号，分别建立基于L-M算法优化后的BP神经网络预测模型，分析后得到降噪信号模型在拟合、预测方面具有更高精确度，对预测数据进行分析得到该边坡未来仍会处于匀速变形阶段。基于小波降噪的BP神经网络预测模型在边坡安全态势的预测方面有更好的应用效果。
　　本文建立的基于表面变形监测土质边坡安全态势评估与预测方法对高精度实时边坡监测系统具有更高适用性，为使用海量非线性边坡监测数据的边坡安全态势评估及预测工作提供了有效方法，对于同类型边坡的防灾减灾工作具有重要意义。