Bootstrap方法(自助法)是B.Efron教授1979年在刀切法(Jackknife)的基础上提出的，是一种利用重抽样来估计总体参数的统计方法。它在确定分布时只依赖给定的观测信息，不需要其他的假设和新增的观测，是根据小样本信息构造先验分布的一种理想的方法。在科学研究中，它大大的增加了常用方法的效能，在实际应用中，它也成为克服数据有限等困难的一种有效手段，在许多应用领域都取得了成功。　　 有限样本下直接估计参数是一个不适定的问题，目前很多研究工作说明Bootstrap方法在大样本的情况下可以有很好的估计，但是在小样本的情况下却是难于估计的。在总结国内外Bootstrap方法研究成果的基础上，本文的主要研究内容主要包括以下几个方面：　　 首先，论述了Bootstrap方法的研究背景及研究意义，分析了国内外研究现状，指出了Bootstrap方法存在的主要问题。论述了Bootstrap方法的发展过程，总结了Bootstrap方法的基本原理，方法，计算过程，实施步骤。同时，给出了改进的Bootstrap方法以及BayesBootstrap方法理及步骤，分析了改进后方法的优缺点。　　 然后，基于小样本情况下Bootstrap方法的精度，重抽样次数等问题，本文通过对具体实例的对比研究，将Bootstrap方法做了改进并将改进后的方法应用到监测数据的处理中，同时将改进的方法与Bayes Bootstrap法做了比较。另外，将Bootstrap方法应用与滑坡稳定性分析的试验数据的统计分析处理中。现将本文的主要研究成果及得出的主要结论总结如下：　　 一、本文给出了Bootstrap方法的改进原理以及相应的计算步骤，同时说明了BayesBootstrap法的原理，和各方法在回归模型中的计算步骤，并通过选取玉皇阁崩滑体监测剖面数据，处理选取的不同地点同一属性数据，给出了非线性回归的系数。　　 二、通过比较各项系数，本文所给出的改进的Bootstrap方法和Bayes Bootstrap法相对于原有Bootstrap法计算结果精度有不同程度的提高，值得在监测数据的处理中进行推广。但是同时，在工程实际中，影响监测数据的的因素往往是复杂且多变的，甚至是相关的、随机的，因而，这些因素通常不能精确取值。在改变重抽样次数的模拟实验中，分别对Bootstrap方法、改进的Bootstralp方法、Bayes Bootstrap法的计算结果做了分析和比较，多次实验，改变样本容量和重抽样次数，通过比较计算结果的误差率来给出合适的重抽样次数，最后给出了建议的重抽样次数为B=3000。本文给出建议在对Bootstrap方法进行进一步更深入的研究时，可以考虑多次应用Bootstrap思想，可能有更好的结果。　　 三、本文利用重庆市忠县吊钟坝滑坡体的勘察数据，将Bootstrap方法应用于滑坡稳定性分析的试验数据的统计分析处理中，并结合改进的Bootstrap方法对小样本数据进行重抽样处理计算标准值。　　 四、利用统计分析获得的标准值按照勘察规范要求的Bishop法计算稳定性系数，同时做相应的稳定性分析，然后与参考值做比较，得出结论：将Bootstrap方法以及改进的Bootstrap方法应用于滑坡试验数据统计分析以及滑坡的稳定性分析是可行的；同时，通过计算，可以看到在进行试验数据统计分析时，改进的Bootstrap方法明显提高了计算精度，降低了稳定性分析中的工作量。