伴随着我国高速发展的经济，各种高层建筑物也在各地频繁出现，这些高层建筑物的出现为老百姓的生活带来了巨大的方便，而同时也为老百姓带来了很多安全隐患。由于受到外界如大气温度、土壤稳定性、水文地质等外界条件以及自身结构载荷的影响，高层建筑物在建设及使用过程中极易出现形变，建筑物的安全运营使用在变形超出了限制数值时就会受到不可估量的影响，乃至危及群众安全。因此定期对建筑物采取必要的变形监测，并采用合理的分析预测模型对变形监测数据进行分析预测是至关重要的。　　由于高层建筑物自身的复杂性，且引起变形的因素也较多，因此传统单一的变形分析预测模型已很难全面的反映建筑物的变形规律。本论文以灰色GM（1,1）、马尔科夫链（Markov）、广义回归神经网络（GRNN）以及果蝇优化算法（FOA）为基础，通过对模型的组合研究，以高层建筑变形数据分析预测为实例，分析对比各模型的预测效果。　　本论文的主要研究内容有：　　(1)讨论了灰色GM（1,1）模型及马尔科夫链（Markov）模型的建模原理及其各自所存在的缺陷。结合两者各自的优势，采用Markov模型对GM（1,1）进行改进优化，建立灰色马尔科夫链（GM-Markov）模型。结合工程实例，对单一模型及优化组合模型进行预测分析。通过对预测结果的分析对比，组合优化模型具有一定的可行性，且预测精度明显高于普通单一模型。　　(2)阐述广义回归神经网络（GRNN）的基本理论方法，以GRNN模型为例讨论神经网络与灰色系统模型相互组合的方式，以嵌入的方式将GRNN模型和GM-Markov模型组合，建立灰色马尔科夫链的广义回归神经网络（GM-Markov-GRNN）模型。通过工程实例的应用分析，所建立的GM-Markov-GRNN模型由于集合GM（1,1）模型、Markov模型和GRNN模型三者的优势，其模型预测精度明显高于对比模型。　　(3)讨论了果蝇优化算法（FOA）及其改进算法的基本理论，并以改进算法优化组合模型。通过研究发现，GRNN模型中的光滑因子对网络预测精度有着至关重要的影响，而FOA算法自身存在一定的缺陷，因此借鉴粒子群优化算法（PSO）的速度变量改进普通FOA算法，并验证其有效性。采用改进的FOA算法对GM-Markov-GRNN模型进行优化，建立基于速度变量改进果蝇优化算法的灰色马尔科夫链广义回归神经网络（基于VFOA算法的GM-Markov-GRNN）多方法组合优化分析预测模型，并以高层建筑变形分析预测实例为基础，研究分析组合模型的可行性及预测的精度。通过实验分析对比，建立的基于VFOA算法的GM-Markov-GRNN模型的预测精度明显高于GM（1,1）、GRNN、GM-Markov、GM-Markov-GRNN四种模型，其预测效果得到明显提高。