结构健康监测是大坝安全管理的重要途径之一,为评估特高拱坝的真实工作性态,从参数反演、监控模型和风险率分析三个角度对其进行研究,进而为大坝安全管理部门的科学决策提供技术支持。首先在充分考虑坝体多测点空间关联性的基础上,提出了基于增量距离层次聚类法的拱坝实测位移场分区方法。针对锦屏一级拱坝在水位稳定段位移仍持续增长的异常变形性态,在HST模型的基础上引入滞后水压分量,构建HEST模型用于分离粘弹性总水压位移分量,基于ELM-IPSO实现坝体混凝土粘弹性参数的多测点分区反演。随后以反演所得的最优粘弹性参数为依据,通过有限元法计算混凝土拱坝在水压荷载下的径向位移,并利用SVM和RVM两种机器学习建立HHST模型,同时为解决传统优化建模时仅以拟合均方误差（MSE）最小为单一目标而造成的过拟合问题,构建使拟合MSE尽可能小而形状相似度（SSI）尽可能大的双目标函数,以此优化模型参数。为进一步提升模型的性能,以MLR、NN、ELM、SVM和RVM为子模型构建双目标优化的机器学习组合模型,并在此基础上分析预测位移与监测位移的残差分布规律,根据结构健康监控领域中的3S控制准则,定义单测点的实时风险率,最后利用考虑多测点关联性的Copula函数构建大坝整体的实时风险率模型。研究结果表明:（1）多测点分区反演结果兼顾了拱坝变形性态的空间整体性和边界约束条件的差异性,更能全面反映高拱坝的真实工作性态,锦屏一级拱坝4个分区的瞬时弹性模量反演值分别为44.8、48.8、30.8和41.0 GPa。（2）拟合MSE和SSI两个目标的组合权重对机器学习模型的性能有显著影响,使用双目标优化后基于HST和HHST因子的SVM模型平均预测精度提高了50.8%和47.4%,平均过拟合指标分别降低了44.3%和70.9%;RVM模型的RMSE和MAE平均降幅分别为31.2%和24.8%,采用多核函数可进一步提升模型预测性能,且RVM模型的预测置信带宽明显小于MLR模型,平均降幅为75.1%。（3）拱坝联合风险率与所用测点数量呈负指数函数相关关系,对于本文研究的锦屏一级拱坝,当测点数超过10时,联合风险率趋于稳定;基于位移监测数据的拱坝高风险期主要出现在上游库水位变化速率急剧改变的阶段,因此水库兴利调度的起始或终了阶段,应尽可能减缓库水位的变化速率。