在我国的矿山开采中边坡大量存在，而边坡的安全性是影响矿山安全生产的重要因素。但同时由于开采引起的矿区边坡变形问题也变得越来越严重。为此选择合理的方式保证数据的质量，分析数据规律，研究出可靠安全的边坡变形预测模型，对矿区边坡的安全有着重大意义。针对目前的预测模型存在对原始数据要求高或定量关系描述困难等不足，结合矿区的实际情况，并在最小二乘支持向量机研究基础之上，本文提出改进最小二乘支持向量机模型并运用到矿区边坡变形预测中。　　首先，对矿区边坡变形预测和最小二乘支持向量机的研究现状进行了阐述，在此基础之上针对最小二乘支持向量机所存在的问题是核函数确定困难和模型参数的寻优。通过选取多项式核函数与高斯核函数所组成的混合核函数，并通过实验验证了混合核函数较之于单一核函数具有优越性。与此同时，通过改变经典差分演化算法中3个控制参数的选取与个数，并提出三个变异策略建立改进差分演化算法，将改进的差分演化算法运用于模型参数的寻优，从而建立改进最小二乘支持向量机模型。　　其次，结合国内某矿区的边坡变形数据，使用一步预测的方式，在 Matlab平台上对改进最小二乘支持向量机模型进行训练。　　然后，基于 Matlab平台，将改进最小二乘支持向量机模型、经典差分演化算法最小二乘支持向量机模型以及粒子群算法最小二乘支持向量机模型，对国内某矿区边坡监测点A和监测点B变形数据进行预测。其预测结果的精度采用误差平均值进行评价，得出改进最小二乘支持向量机模型误差平均值分别为1.4毫米和1.8毫米，经典差分演化算法最小二乘支持向量机模型误差平均值分别为3.1毫米和3.1毫米，粒子群算法最小二乘支持向量机模型误差平均值分别为5.1毫米和4.6毫米。结果表明：改进最小二乘支持向量机模型能较好地对矿区边坡进行变形预测，且与文中其它两种模型相比具有一定的优越性。