滑坡一直以来在全球地质灾害发生频率中排在第五位,在我国更为频发,排在第一位,2019年滑坡灾害共造成211人死亡、13人失踪、75人受伤,直接经济损失27.7亿元,造成了巨大的经济损失。目前滑坡发生的机制并未完全弄清楚,各种因子与滑坡形变的关系并不能简单地用代数公式来描述,且滑坡形变位移量存在着复杂的非线性特征,对此研究者们建立过许多模型,预测精度有高有低,无法满足在多变复杂的环境下实际灾害预测中的最终目标。根据上述问题,本文旨在基于深度学习自身对数据特征的提取识别能力,通过机器学习自身找到滑坡变形量与各因子间的隐含关系,以期达到滑坡预测的效果。本文主要以太原西山山区的1、2号两段典型滑坡为例,详细介绍了基于循环神经网络在滑坡预测领域上的应用。主要的研究工作及取得的成果如下:一、通过以野外实地勘测以及走访调查手段获取的数据为主,辅以研究区域周边地理环境背景的遥感影像处理与分析后的数据,结合前人的滑坡机理相关理论研究,对研究区域的两段典型滑坡灾害体的形成机理进行分析,并对1、2号滑坡地质灾害体分别进行了稳定性分析。二、通过对研究区滑坡机理的分析,结合前人的滑坡敏感性因子的相关研究。对研究区的1、2号滑坡形变位移量进行相关因子的提取与规则化,得到滑坡预测模型的主要输入因子,并将因子输入到机器学习模型中进行预测。三、本文将模型因子和滑坡形变位移量进行数据预处理和维度构造后,对模型的batch_size、epoch、hidden_size、time_step等主要参数通过试错法进行分析,针对LSTM模型在研究数据上的过拟合现象进行L1、L2正则化和函数梯度优化,并指出相对最优的正则化和梯度优化函数的选择;同样对支持向量机进行简单地优化,并对其进行了主要的不同核函数的性能对比和选择。最终得到研究区1、2号滑坡形变位移量及相关因子数据的预测模型的拟最优参数。通过模型得到最终的滑坡形变位移量预测值,并且对浅层机器学习SVM和深度学习LSTM两个不同的模型的预测值进行对比分析。最终获取与实地滑坡不仅较为吻合、而且精度和可靠性较高的结果。根据上述研究得到的较可靠的预测结果,通过机器学习将滑坡形变量与滑坡影响因子结合起来进行预测分析,为相关领域的研究提供了一定的参考价值和科学依据,为山西省防灾增添一份力量,为全国地质灾害实现云平台提供科学依据。