露天矿山安全监测是测量领域的一个重要部分,露天矿山开采过程中会形成很多高陡的边坡,其稳定性将直接影响工程施工和安全。因此定位并剔除露天矿边坡监测数据中的粗差对于保障工程的安全性显得尤为重要。拉伊达法则等传统粗差剔除方法在应用时,每次仅能剔除一个单变量粗差,计算量大且没有考虑变量之间的相关性,而且拉伊达法则剔除数据是以均值为标准,过多的粗差数据会导致均值出现偏移;小波分析方法主要是对整体数据中的噪声进行消除处理,并不能很好的检测出粗差的存在,而且小波基和阈值函数的选择对剔除的结果会产生较大影响;BP神经网络模型过于简单,且容易陷入局优,粗差剔除效果一般。本文在前人的基础上,提出了自己的改进算法。本文首先提出了一种基于核函数思想的粒子群优化（Particle Swarm Optimization,PSO）双隐层极限学习机（Two-hidden-layer Extreme Learning Machine,TELM）。新的方法在极限学习机的网络结构的基础之上,添加了一个隐层。具体说来,监测数据在输入模型之前先利用核函数进行映射处理,整体算法的输入层和第一层隐层的参数是通过粒子群寻优得到的,而它的隐含层之间的参数是通过一些具体的数学公式求解计算得出的。仿真结果表明:核函数处理可以削弱数据的耦合性进而提高模型的准确性,通过粒子群优化可以确定TELM网络的最优权值,进一步提高模型的测试准确性。由于在实际中,监测数据的监测距离不同且耦合性较强,但是上述方法并不能很好的消除数据的耦合性。因此,本文在上面PSO-TELM模型的基础上,提出了带有深度置信网络的PSO-TELM均值方差模型。该算法是将TELM网络的输入层改成多个限制玻尔兹曼机（Restricted Boltzmann Machines,RBMs）模型,然后同时利用PSO寻优得到60个误差较小的模型,当处理一组数据的时候,首先进行核函数的映射,继而通过多个RBM进行特征转换,通过这种处理降低数据的耦合性;随后将处理之后的数据矩阵同时输入到这60个模型中得到处理结果,然后对这60组处理结果进行集成处理,通过均值方差的方法得到最终的粗差剔除结果,通过这种方式可以提高模型的准确性并且增强模型的适用性。仿真结果表明:相比于传统粗差剔除方法,该算法具有快速粗差剔除的能力且拥有较高的测试精度,并且具有较强的鲁棒性,算法的实用性较强。