贝叶斯方法通过融合参数先验分布与现场时序监测数据推断边坡参数后验分布，但需大量调用耗时的数值模型，导致计算成本高。尽管代理模型可替代数值模型，现有贝叶斯反分析方法仍有不足。一方面，传统代理模型难以准确描述边坡输出响应的时空演化特征，对于时空变化的监测数据，需要针对不同时间点和空间点分别构建代理模型；另一方面，融合时序监测数据需进行多次贝叶斯反分析，先验分布会逐渐过渡至后验分布，出现分布偏移现象，而基于固定先验分布构建的代理模型进行参数反分析时计算精度较差。为此，本文提出了结合微调深度算子网络（Deep operatornetwork,DeepONet）与子集模拟的贝叶斯反分析方法。首先利用DeepONet模型构建边坡输出响应的时空演化代理模型，接着在各子集模拟层中挑选额外训练样本微调DeepONet模型，确保后验分布推断精度。以香港某边坡为例，验证了提出方法的有效性。结果表明：提出方法提高了贝叶斯反分析的计算效率，保证了参数后验估计的精度。为解决基于时序监测数据的边坡参数后验分布推断问题提供了一种有效的工具。
