随着重大工程活动的开展,滑坡发生的频率和强度也不断增加。边坡位移监测数据表征了滑坡变形发展过程,通过对监测数据进行分析研究,可以对滑坡的发生做出预警,由此降低人民的生命财产损失。由于边坡位移会受到多种因素的影响,具有复杂性,所以建立合适的边坡位移预测模型对边坡预警非常重要。以某水泥厂边坡监测系统采集到的边坡位移数据为基础,结合双向门控循环单元神经网络和迁移学习等理论知识,建立了边坡位移的预测模型。全文主要的研究内容如下:（1）针对传统浅层预测算法存在学习能力差和特征提取能力弱的问题,提出了Bi-GRU和注意力机制的边坡位移预测模型。利用Bi-GRU充分提取位移序列的前后特征信息,利用注意力机制突出重要的信息,减少冗余信息。最后以某水泥厂实测的数据为例,对建立的边坡位移预测模型进行分析。结果表明,与BP、LSTM、GRU、Bi-LSTM和Bi-GRU预测模型相比,Bi-GRU-Attention预测模型更能深层次的提取位移特征,具有较好的预测精度。（2）由于实际监测采集中设备故障造成数据长时间的缺失,而在预测中要求数据有较高时序性,没有办法直接使用历史数据建立预测模型。针对此问题,将迁移学习算法引入到模型中,迁移学习减少了对训练数据的需求,它可以将跨度很久的历史数据信息应用到新采集的小样本数据中,使特征信息被最大程度的利用。实验结果表明,模型中引入迁移学习可以提高时间序列不连续时的预测准确性。（3）针对目前预测方法多为单步预测,不能在实际工程中提供未来多个时间段趋势变化的问题,引入了边坡位移序列多步预测方法。随后又针对传统的多步预测方法中,建模和训练时间长,忽略相关性且预测精度不高的问题。在直接多步预测法的基础上结合了多任务学习的思想,对边坡位移进行了五个步长的预测。此方法充分考虑了不同步长之间的联系,减少了重新建模的时间。结果表明,基于迁移学习和Bi-GRU-Attention的多任务学习多步预测模型更有效,进一步提高了预测精度,对避免因边坡失稳而引起的自然灾害有着重要意义。