大坝作为水库的最主要建筑物，对水库的安全运行起着决定性作用，而土石坝作为大坝的最主要坝型之一，其安全性态评估工作更是重中之重。另一方面，新兴的机器学习算法凭借其卓越的计算性能，为解决各领域的实际问题提供了新思路和新手段。因此，本文通过改进、串联和优化等方法，将机器学习、搜索算法与传统水工理论相交叉、融合，为安全监控模型、坝体材料参数确定、坝坡稳定分析等土石坝安全性态评估内容的提供新方法，促使土石坝安全性态评估结果更加准确、可靠。本文主要研究内容如下：　　针对土石坝结构分析中存在的多变量、强耦合、强干扰特点，建立基于KPCA-RVM的土石坝安全监控模型。模型利用核主元分析（KPCA）对数据降维，以减少输入向量个数。模型以平均相对误差为评价指标，利用相关向量机（RVM）预测土石坝沉降、渗流。实例表明：KPCA-RVM模型不但缩减了输入向量个数，而且预测效果得到显著提升。　　针对传统土石坝筑坝材料参数反分析方法存在耗时长的问题，提出基于和声搜索（HS）与多输出相关向量机（M-RVM）的反分析模型。训练完毕的M-RVM可高精度地模拟材料参数与大坝沉降间的复杂关系，代替有限元计算。模型将实测沉降数据作为反分析目标，采用HS搜索最佳材料参数组合。结果表明：该模型计算结果准确，收敛速度快。　　针对土石坝坝坡稳定问题中存在的非线性特征，提出基于HS与混合核相关向量机（MRVM）的坝坡稳定安全系数估算模型。该模型引入泛化、插值能力均较强的混合核函数，并利用H S对混合核参数进行优化。此后，提出基于MRVM与改进一次二阶矩（AFOSM）的坝坡稳定可靠度计算模型。M R V M将极限状态函数显式表达，并推导了其导数形式，且AFOSM的设计验算点是位于失效面上，其计算结果更加准确。实例证明：上述两模型均具有精度高，速度快，简单易用的优势。　　本文将机器学习算法应用于上述三个研究内容，各模型在计算精度、速度等方面均具有明显优势。在上述模型的基础上，采用Matlab GUI开发了基于机器学习的土石坝安全性态评估平台（ER-SSQ），为土石坝安全性态评估工作提供了新思路、新手段、新平台。