受复杂运行环境影响，大坝渗压监测数据通常表现出显著的非平稳和非线性特征，并伴随噪声污染，为其高精度预测带来挑战。对此，采用逐次变分模态分解（SVMD）算法识别并滤除原始数据中的噪声分量，进而构建嵌入自注意力（SA）机制的门控循环单元（GRU）模型，并通过霜冰（RIME）优化算法进行参数寻优，提出了一种基于SVMD-RIME-SA-GRU的大坝渗压组合预测方法。实例分析表明，SVMD算法在去噪过程中能够较好地保留原始数据特征和有效信息，相较于EMD、VMD、EEMD算法，其信噪比提升24%～36%

E

RMSE

降低67%～79%;RIME-SA-GRU模型表现出优异的预测性能和稳定性，其E

MAE

、E

MAPE

、E

MSE

、E

RMSE

相比SCSO-SA-GRU、PSO-SA-GRU模型以及常规单一预测模型下降50%～96%

在大坝渗压高精度预测方面具有较高的应用价值。