随着国民经济持续稳定的发展，各类工程如高速公路、铁道隧道、大型水利电力工程、高层建筑等，正以前所未有的速度在全国兴建。工程的涉及的岩体的稳定性问题越来越复杂，岩体质量作为影响岩体稳定性一项基本因素也愈显其重要了。尤其在大型的水电工程中对坝区岩体结构的稳定性以及工程的适宜性评价，都是不可或缺的组成部分，对工程的设计施工、大坝的稳定性以及坝区岩体、边坡的稳定性分析评价有着重要的作用。所以，如何正确评价坝区的岩体质量，既是我们开展工作的基础，又对这些工作具有指导作用。这对保证坝体安全稳定，降低生产成本具有重要作用。岩体分级是评价岩体稳定件的方法之一，分级的目的，是评价工程岩体的稳定性。 岩体分级，需要处理的是大量具有模糊性和随机性的信息，而且受各方面因素的影响较多。而且对于大的水电工程来说，其地质环境的复杂性，影响因素众多且模糊不确切，以及主观上人为因素等，其内在的映射关系复杂难以做到准确的把握，其分级的界线也很界定。神经网络具有很强的非线性的映射能力，正适宜于处理知识背景不清楚、推理规则不明确等复杂类型模式识别问题以及处理离散的、模拟的、模糊的和随机的大容量信息。 有鉴于此，本文采用人工神经网络对岩体质量进行分级评价，以弥补常规分级方法的缺陷与不足。神经网络具有很强的非线性的映射能力，正适宜于处理知识背景不清楚、推理规则不明确等复杂类型模式识别问题以及处理离散的、模拟的、模糊的和随机的大容量信息。 针对靠经验来设定网络模型参数，以及等问题，利用遗传算法的大范围寻优能力，将遗传算应用于神经网络之中，进化神经网络，找出最优的网络结构、权系及学习训练规则组合。 但在应用中神经网络面临着两大问题，即网络的拓扑结构优化设计和高效的学习算法。遗传算法具有群体寻优和天然的增强式学习能力，使其具有全局性、并行性、快速性和自适应性，成为解决上述两大问题的有力工具，用于优化神经网络结构、优化结构权系以及学习规则。由于遗传算法能够收敛到全局最优解，本文将遗传算法与神经网络结合起来，发挥遗传算法的大范围寻优能力，使网络结构得到优化。从而解决了网络模型容易陷入局部极小化和过训练等问题，建立起一个具有较强的学习和推广测试能力的分级网络模型。通过选择影响岩体质量的控制性因素作为网络模型参数，以表征岩体强度、岩石完整性以及岩体赋存条件的岩石单轴饱和抗压强度、岩体完整性系数、结构系数以及透水性系数作为分级的因素，选取若干样本进行网络的学习训练，以及测试。通过测试结果分析，发现网络的测试能力大为提高，测试结果显示网络具有较强的推广测试能力。 本文结合白鹤滩水电工程岩体结构项目，通过现场的调查、测试及试验，获得坝区岩体的各方面的定性及定量的数据，分析影响岩体质量的因素，并选择岩体质量的控制性因素作为分级参数，采用人工神经网络理论，建立模型，并利用遗传算法优化神经网络模型，建立起推广能力较强的网络模型用于岩体质量分级评价。同时按照国际国内通行的适合于水电工程的岩体评价方法对坝区岩体进行评价，并将其结果设计为样本，进行网络的学习、验证及检测，并且作为参照标准进行对比及误差分析，网络的测试结果表明模型的测试精度较高。然后对坝区工程地质条件作以评价，分析坝区岩体的稳定性并用刚体极限平衡法对两岸坝肩岩体作空间抗滑稳定性验算，验算结果表明两岸坝肩整体上是稳定的，坝肩岩体质量较好。最后将分析结果与岩体质量的分级结果相对比，通过对比，发现两者的一致性。这同时也验证了此次岩体质量分级结果的可靠性。