随着我国经济的发展,地下空间的开发和利用越来越广泛,工程的规模也越来越大和复杂,对地下空间的施工和运营安全提出了更高的要求。信息技术、控制技术的快速发展,使得自动化监控系统成为保障地下空间结构施工及运营安全的重要手段。通过对监控系统监测数据的分析与处理,能够提前发现工程中存在的安全隐患,采取相应的应对措施,同时也是后续施工设计步骤所参考的重要依据,对于工程施工、运营安全都具很大的参考价值。依托国家重点研发计划项目“城市地下大空间施工安全可视化自动监控系统”（No.2018YFC0808706）,本文在研究地下工程中结构变形预测及安全评估模型调研现状的基础上,建立地下工程结构变形预测及安全评估模型。通过对实际监测数据的分析发现,原始监测数据存在一定的数据异常、数据含噪、数据丢失现象,给数据的分析建模造成一定的影响,针对此类问题,采用3s异常处理准则、EMD-小波降噪、支持向量机补全方法对监测数据进行预处理;充分考虑海量监测数据的内部特征及数据不同分量的特性,根据时间卷积网络（Time Convolution Network,TCN）和长短记忆网络（Long Short Term Memory,LSTM）模型处理时间序列的优势,提出了一种基于小波分解的TCN-LSTM结构变形预测模型。对预处理后的数据进行小波分解,通过分量的相关性分析确定信号的细节分量和趋势分量;根据不同分量的特性结合深度学习模型,分别对细节分量和趋势分量采用TCN和LSTM模型进行预测。采用正交设计对模型参数进行优化,再将分量的预测结果进行融合得到最终预测结果。最后针对现有基于监测数据的结构安全评估存在的问题,提出了一种基于模糊神经网络的结构安全评估模型。通过某工程施工现场的实际监测数据对本文提出的方法进行验证,得出的主要结论为:（1）采用3s异常处理准则、EMD-小波降噪方法、支持向量机能够有效的实现数据的预处理,能够为后续的数据分析提供有效数据。（2）时间卷积模型能够有效获取序列的长时记忆从而深度提取序列内部特征,在预测细节分量上有较大的优势。（3）提出的WA-TCN-LSTM的结构变形预测模型性能良好,与现有的WNN、DBN-SVR、SVR、LSTM及TCN模型相比,其RMSE、MAE及MAPE平均分别下降了84.55%、77.65%和54.62%。（4）提出的安全评估模型能够准确反映结构的安全状态,可为地下工程结构安全防控提供保障。