La seguridad de las presas es una parte básica importante de la seguridad de la red nacional de agua. Construir un modelo de predicción de deformación de presas basado en datos de monitoreo es crucial para garantizar la seguridad de las presas. Sin embargo, los métodos tradicionales de regresión estadística tienen deficiencias, como una débil capacidad de ajuste no lineal al construir modelos de monitoreo y predicción de deformación de presas. La parte residual de los resultados de la regresión estadística generalmente contiene partes que no pueden ser explicadas de manera efectiva por el método de regresión lineal, que suele ser altamente variable y ruidoso. En este estudio, se utiliza el método de reconstrucción del espacio fase para suavizar el término residual del modelo de regresión estadística y eliminar la interferencia de ruido. Sobre esta base, se utiliza una red neuronal de memoria a largo plazo mejorada (LSTM) para aprender la no linealidad contenida en el término residual de la regresión lineal. Considerando el impacto de la selección de parámetros en el rendimiento del modelo, se utiliza el algoritmo de optimización de lobo gris (GWO) para determinar los parámetros óptimos del modelo para un mejor rendimiento. Se utiliza una presa de arco alto como estudio de caso, con múltiples puntos de medición como objetos de investigación. Los resultados experimentales muestran que la reconstrucción del espacio fase puede suavizar efectivamente los componentes de alta frecuencia en el término residual y eliminar la interferencia de ruido. Además, el algoritmo GWO puede determinar efectivamente los hiperparámetros de la red LSTM, construyendo así un modelo de predicción residual con una alta precisión de predicción. La combinación de modelos estadísticos y métodos de predicción de aprendizaje profundo puede mejorar efectivamente el rendimiento de predicción del modelo al tiempo que se preserva la interpretabilidad y transparencia del modelo.