降雨诱发滑坡是全球广泛分布危害严重的地质灾害。传统岩土反分析方法一般采用单一类型监测数据对计算模型参数进行反演分析,无法充分有效地利用多种不同类型数据对计算模型进行校准。针对现有降雨滑坡反分析研究的局限性,基于贝叶斯理论提出了时变监测数据的多目标随机反分析方法,建立了降雨入渗边坡流固耦合的多目标随机反演模型,以某公路试验段路基工程和降雨入渗边坡为算例进行了多目标反演分析。主要工作内容与研究成果如下:(1)基于Pareto最优化理论建立了二维非饱和土流固耦合多目标反分析模型。以某高速公路试验段路基和降雨入渗边坡为典型算例,采用多算法遗传自适应多目标方法(Multi-Algorithm Genetically Adaptive Multiobjective,AMALGAM),利用孔压和位移两种类型实测数据进行了多目标反分析,并将多目标和单目标反演结果进行了对比。结果表明,对于这两类流固耦合问题,多目标反分析都能形成尖锐的Pareto前沿,多目标协调最优解计算结果与孔压和位移的实测数据拟合均较好。(2)基于贝叶斯原理和马尔可夫链蒙特卡罗方法,提出了时变监测数据多目标随机反分析方法,建立了降雨入渗边坡流固耦合的多目标随机反演模型,分析了单目标与多目标随机反分析参数后验分布的统计特性和模型不确定性,研究了不同类型监测数据对参数反演的影响。研究表明,多目标随机反分析所得的随机参数后验分布标准差较单目标随机反分析的结果明显减小,参数的变异性显著降低。多目标随机反分析所得的MPD(Maximum Posterior Density)计算值与实测值拟合较好,95%置信区间较单目标反分析明显变窄,反演结果更为可靠。(3)传统随机反分析一般假设误差满足独立同方差高斯分布,在贝叶斯反分析中对应SLS(Standard Least Square)形式的似然函数。采用异方差相关非高斯分布的误差假设和GL(General Likelyhood)形式似然函数,以香港东涌某天然边坡现场试验为工程案例,对降雨入渗边坡进行随机反分析,研究了相同时长不同起始点孔压数据对后验参数不确定性的影响。研究表明,与SLS(Standard Least Square)方法相比,GL(General Likelyhood)方法反演所得MPD值波动性明显降低,异方差相关非高斯的误差能更准确地描述降雨入渗边坡的模型误差。