为了保证基坑工程的正常进行,需要在施工阶段和运营阶段对工程体进行变形监测。基坑变形监测工作的关键是数据的处理,目的是变形的预测。目前,常用的数据处理方法包括多元线性回归、灰色模型、时间序列模型等单一模型,以及两个或多个单一模型之间的组合模型,但这些方法都是基于完全数据这一前提条件的。在基坑监测数据获取过程中会因人为失误导致数据缺失或不可用,造成数据的不完全。常用的不完全数据处理方法有删除法、填补法和卡尔曼滤波法,这些方法在一定程度上提高了数据处理的质量,但其自身对缺失数据填充的局限性,使得不完全数据的处理精度受到数据填充质量的限制。本文尝试把其他领域内成熟的不完全数据处理的理论和方法引进来,使这些理论和方法服务于变形监测工作。为此,本文根据数理统计领域内经典算法—EM(expectation-maximization)算法,以AR(p)模型建模中参数估计为契机,将基坑监测中获取的数据资料为研究对象,探讨了当基坑变形监测中存在不完全数据时采用EM算法的处理方法。本文针对基坑变形监测中遇到的不完全数据问题,引入EM算法,做了以下内容的研究:(1)通过现有的测量领域内常用的基坑变形监测数据处理方法,分析不完全数据下的数据处理理论和方法,探讨各种方法的适用条件和优缺点。(2)根据EM算法的原理和扩展,以及其在高斯正态分布中的适用性,结合AR(p)模型建模过程中的参数估计,分析EM算法在数据不完全情况下,相比于最小二乘法所具有的优势。(3)结合具体工程实例,通过将EM算法应用在AR(pp)模型的参数估计中,对比删除法和填补法在不完全基坑变形监测数据处理中的应用,验证EM算法的可行性,体现单一缺失数据和双重缺失数据情况下EM算法的优越性;并与完全数据下灰色-时间序列(GM-AR)组合模型和BP神经网络模型预测结果对比,验证EM算法的适用性。