半参数模型是上世纪80年代为了解决参数模型和非参数模型的不足，由Rice、Engle等人提出而发展起来的一种重要的统计模型。它在参数模型的基础上，引入了表示模型误差或者其它系统误差的非参数分量，这种模型既含有参数分量又包含非参数分量，兼顾了参数模型和非参数模型的优点，比单纯的参数模型或单一的非参数模型具有更大的适用性，同时又解决了非参数分量损失信息过多的问题。用半参数模型来描述实际问题，比前两种模型更接近于真实，能够更加充分的利用观测值提供的信息。而滑坡变形机理非常复杂，影响因子众多，一般用某个模型进行预报都难以得到满意的结果。因此，研究将半参数模型运用到滑坡预报中就很有价值，本文主要研究内容有：　　 (一)在本文的绪论部分，对半参数模型及补偿最小二乘估计的研究现状进行了详细阐述，同时对滑坡预报的研究现状也进行了详细阐述，并对本文的研究内容作了简要的描述。　　 (二)在半参数理论研究部分，首先简要介绍了半参数模型，同时对补偿最小二乘估计方法进行了重点研究，详细讨论了基于正则化矩阵和基于自然样条的补偿最小二乘估计方法，系统的介绍了正则化矩阵R和光滑参数α的选取方法，同时用补偿最小二乘估计方法对半参数模型的统计性质进行了公式推导，在最后的算例中对于前面的理论进行了验证。　　 (三)介绍了目前应用比较广泛的几种滑坡预报模型，包括灰色模型、BP神经网络模型和指数平滑模型。　　 (四)在工程实例中，首先用第三章介绍的三种滑坡预报模型，对某边坡进行了滑坡预报，比较了这几种模型的预报精度。然后考虑到半参数模型的特点和BP神经网络模型的特性，将BP神经网络与半参数模型结合，用神经网络代替半参数模型的参数部分，非参数部分保持不变。首先进行BP神经网络预报，在此预报基础上进行半参数模型改正，非参数利用补偿最小二乘法求出，正则化矩阵和光滑参数根据实验取最佳值，建立优化的BP神经网络-半参数模型。然后利用此优化模型进行滑坡预报，将预报结果与本文介绍的其他三种模型预报结果进行对比，证明了其可行性和有效性。　　 最后，对本文的主要研究内容进行了总结，同时指出了今后可以更进一步研究的问题。