在国家的现代化建设中，桥梁建设是必不可少的。由于桥梁投资巨大、使用期漫长，因此其使用的安全性极为重要。为了实时了解桥梁结构在各阶段的运行状态，许多桥梁在建设时就安装了监测的传感器，在桥梁的运行过程中产生了大量的监测数据。如何有效合理的利用这些数据实现对桥梁运行现状的安全评估，是桥梁工程研究的一个重要课题。本文将基于ARIMA模型和BP神经网络的组合模型应用到桥梁监测数据的分析中，致力于提高桥梁监测数据分析时模型的预测精度，满足实际工程应用的需要。　　本文的主要研究内容为：　　首先，将基于ARIMA模型和BP神经网络的组合模型引入到桥梁监测数据的分析中，利用ARIMA模型对监测数据进行建模预测，利用BP神经网络对残差数据进行建模预测，最后将两种预测结果进行数据融合得到组合模型的最终预测值；并以实际的桥梁监测数据为例，证明了组合模型在桥梁结构未来发展趋势预测中的可行性；　　其次，将滚动学习滑动窗口预测机制引入到组合模型中，对 ARIMA模型和BP神经网络的常规一步预测算法进行改进；利用Akaike信息量函数的FPE准则、AIC准则及BIC准则确定滑动窗口的最佳滑动次数L；当窗口滑动L次时，则把最新采集的L期观测数据添加到训练集中，同时删除训练集中最早的L期数据，然后利用窗口内的数据重新建立组合模型；　　最后，利用组合模型对桥梁监测数据进行预测并计算未来观测值的置信区间，当实际观测值以概率 P落入置信区间以内，则判定该观测值为正常数据，否则判定该观测值为异常数据，并以相应的预测值代替它。　　组合模型注重对桥梁监测数据的分析，发掘出其中所隐含的有用信息，捕捉桥梁结构体参数的变化规律，为以后桥梁的安全评估提供可靠依据。最后，结合具体桥梁中传感器所采集的温度数据验证这一理论的有效性。