随着我国经济的快速增长,各种大型或者超大型建筑物不断涌现,人们对建筑物安全的重视程度也越来越高,变形监测技术发挥的作用也越来越大。就变形监测的整体应用来说,监测是基础,分析是手段,而预测才是目的。因此如何有效的利用变形体变形的数据对其在未来一段时间内变形情况和趋势进行预测是人们最关注的问题。目前,对变形数据进行预测的方法有很多种,每种方法都有其各自的特点和局限性。为了能进一步提高预测结果的精度和可靠性,将几种单项的预测方法进行组合,形成组合模型进行预测已经成为人们的广泛共识。　　灰色模型和神经网络模型是变形预测中经常使用的两种模型。灰色GM(1,1)模型使用方便,在样本数据较少的情况下能够取得不错的预测效果,但对预测序列存在规律性波动或突变时的预测能力不强;而神经网络模型建模过程相对复杂,需要较多的训练样本,但对于数据存在规律性波动和突变时有很好的预测能力。将两种方法结合到一起,可以发挥出各自的优点,达到提高预测精度的目的。本文通过分析灰色模型和神经网络模型的特点,提出了两种预测方法的四种组合方式,并通过具体实例比较分析了每种组合方法的预测精度及特点。主要的研究内容如下:　　1、介绍了灰色GM(1,1)模型和神经网络模型的基本原理,预测方法和过程,并通过实例对预测过程进行了演示。同时对这两种预测方法提出了改进方案,并进行了实例对比,结果表明对两种方法的改进是积极和有效的。　　2、建立了GNNM(1,1)模型和灰色补偿神经网络模型,并用实例进行计算分析,发现这两种组合模型的预测精度均比灰色模型预测结果要好,但是比神经网络要差。同时验证了在实验条件下灰色补偿神经网络模型预测精度要高于GNNM(1,1)模型。　　3、分别建立了串联型灰色神经网络组合模型和并联型灰色神经网络组合模型。通过计算分析发现串联型组合模型预测精度高于灰色补偿神经网络模型但是比BP神经网络模型预测精度要低。并联型组合模型预测结果优于BP神经网络预测结果,在四种组合方式中预测精度最高,这表明并联型组合模型很好的吸收了两种单项模型预测的优点,在实际应用中优势明显。　　通过本文的研究,分析完善了灰色模型和神经网络模型的组合形式。实例表明建立的并联型灰色神经网络组合模型预测结果具有较高的精度和可靠性,显示出该组合方法有很好的应用价值。