滑坡是一种给人类及其生活环境带来危害或损害的复杂的地质自然灾害。三峡库区复杂多样的地质地理环境、差别较大的地形地貌和新的构造运动如蓄水,使整个地区的地质问题很多,尤其是滑坡。它给库区带来了大量的财产损失、人员伤亡,甚至是影响了整个移民工程的全面实施。因此,通过加强滑坡的监测及预测,进而降低滑坡危害是十分有意义的。滑坡主要是由于斜坡岩土体沿着贯通的剪切破坏面所发生的滑移地质现象。影响滑坡的外界因素非常多,如自然条件变更包括地震、降雨、冻融、海啸、风暴潮及人类生产活动等。滑坡演化被认为是一种非线性过程,使用已有的线性方法无法有效地描述外界影响因素和滑坡演化二者间的关系。由于危害极大且有逐年增加的趋势,滑坡的预防与预测的研究也一直是工程领域的热点。因此,本文利用回归神经网络(RNN),人工智能(AI)方法算法或它们的组合获得的各种不同方法,结合两组滑坡实例作为研究对象,进行滑坡预测问题的研究,具体内容包括以下方面:对影响滑坡稳定性的相关外界环境因素进行了研究,基于决策树(DT)的分类思想,提出使用随机森林(RF)算法对滑坡进行稳定性分析。随机森林在处理数据特性主要有两点:一是避免了使用传统方法陷入数据的过拟合,二是充分利用过去已有的数据信息对滑坡的稳定状态作出新的分析。在相同的环境下,与传统方法如支持向量机(SVM)算法相比,随机森林不需要考虑影响实验结果的多重因素,更加适合做滑坡稳定性分析。考虑滑坡位移时间序列的预测问题,提出一种基于K折交叉检验的广义回归神经网络(K-GRNNs)模型。广义回归神经网络(GRNNs)的主要特点是人为控制的因素只有一个,本文利用K折交叉检验的方法优化广义回归神经网络的阈值径向基函数的扩展速度的值,优化广义回归神经网络,从而提高网络的预测性能。以三峡库区的凉水井和白水河滑坡为实例验证了本文提出的算法比传统的反向传播神经网络(BPNN)和径向基函数(RBF)的更高的预测性能。为了满足人们对滑坡预测趋势精确性的需求,扩充滑坡预测的时间宽度主要有两种方法:多步预测和区间预测。本文提出一种基于扩展卡尔曼滤波(EKF)的时间反向递归算法(BPTT)方法来进行滑坡位移的多步预测。首先,使用扩展的卡尔曼滤波来优化时间反向算法的权值,然后再通过最新的观测值和模型输出值训练结果实时对网络参数数值进行调整,提高预测的可靠性。最后,通过对降雨及库水位的改变值与位移之间的相互的对应数学统计关系进行分析,以此进一步明确多步位移预测模型的参数。本文对两组三峡库区滑坡数据集进行了实例分析,实验结果显示本文提出的方法比实时递归算法(RTRL)、时间反向算法取得预测结果好。考虑进一步优化滑坡预测时间宽度的结果,本文采用两种方法来进行区间预测。首先,提出基于自助法的回声状态网络(ESN)分叉迭代滑坡位移时间序列的区间预测模型。使用回声状态网络模型对所获得的时间序列数据进行插值,对训练样本集进行扩展并用Bootstrap分解,然后再求出估计方差。最后,使用一个回声状态网络计算误差的方差。以三峡库区两组典型的滑坡数据集来验证这种方法的可行性,与基于自助法的广义回归神经网络(Bootstrap-GRNN)方法相比较,本文方法能取得较好的实验结果。利用神经网络方法的进行区间预测,本文提出了基于粒子群(PSO)与引力搜索(GSA)混合算法(PSOGSA)的埃尔曼回归神经网络预测模型,其主要特点是计算简单,不需要多次处理数据,利用基于粒子群的全局搜索性能和引力搜索算法局部搜索性能,对埃尔曼神经网络的权值进行修正,构建最优回归神经网络,得到区间预测的上界和下界。实验结果显示,与上节提出的第一种区间预测相比,预测结果更好。通过每章实验结果和比较表明,本文所提出方法能够解决一定的实际问题,提供一些新的理论研究方法,为相关部门及人员对滑坡危险区域进行相应处置提供必要的依据。