为保障大坝的安全运营状态，需要根据已有的观测数据预测大坝未来的变形量。而目前对于大坝变形的预测方法较多，传统的预测方法存在预测过程复杂、速度慢、预测精度低等问题。基因表达式编程是在遗传算法和遗传编程的基础上发展起来的一种新型演化算法，它被广泛应用在灾害预警等预测领域。因此，非常有必要开展基于基因表达式编程的大坝变形预测研究。本文首先阐述了大坝变形预测和基因表达式编程的国内外研究现状，介绍了大坝变形监测理论和大坝预测模型；其次，根据基因表达式编程原理及算法流程，确定模型构建包括函数集与终止符集的确定、种群初始化、染色体解码、适应度评价、遗传操作等过程，利用Visual Studio平台下的C#编程语言，完成了模型的构建工作；然后，利用C#语言设计Fibonacci加权滑动窗口法程序，对大坝监测数据进行预处理；最后，用MATLAB软件建立灰色GM(1,1)模型和BP神经网络模型，分别利用基于基因表达式编程预测模型、灰色GM(1,1)预测模型和BP神经网络模型对某大坝进行了变形预测，并分析了三种预测模型的预测结果。通过计算可知，三种模型在水平位移的平均相对误差分别为1.43%、3.85%和3.08%；在垂直位移的平均相对误差分别为1.87%、5.54%和4.83%。实验结果表明，基因表达式编程的大坝变形预测模型精度相对较高，优于灰色GM(1,1)模型和BP神经网络模型的预测精度。由此可知基于基因表达式编程的大坝变形预测模型为大坝变形预测提供了一种新的方法。