潜在滑坡的早期判识是滑坡减灾防灾的基石，也是滑坡防灾减灾中最根本、最基础性的工作。对潜在滑坡的判识研究将是本学科领域今后国内外的研究热点和前沿课题，也是大规模工程建设区急需迫切解决的关键技术问题。　　 本论文以潜在滑坡的早期稳定性快速判识为研究主题，在了解国内外研究现状和广泛收集前人研究资料的基础上，应用地质学、工程地质学、滑坡学、地貌学等理论，提出了潜在滑坡的基本概念，分析了潜在滑坡的形成和孕育条件，并以水电工程区潜在滑坡为例，对潜在滑坡的特征、坡体结构类型及失稳破坏模式等进行了系统归纳和总结，然后对潜在滑坡的早期判识指标体系(包括判识指标的野外获取、定量化方法等)进行了探究；在此基础上，结合重大水电工程区的大量典型边坡实例，采用工程地质、数理统计以及人工智能等多种理论和方法，对潜在滑坡的早期快速判识方法进行了深入研究和探索。　　 针对岩质类潜在滑坡早期经验判识方法的不足(SMR分级体系中采用离散函数取值具有一定的主观性)，提出了采用连续函数代替原离散函数对SMR分级方法中的定量化参数(如岩石强度指标PLS和UCS、岩石质量指标RQD、不连续面间距指标Js以及不连续面方向修正系数F1，F2和F3等)取值进行较全面、系统地修正。引入了荷兰学者Robert Hack于1998年提出的岩质边坡稳定性概率分级方法(SSPC)，针对该方法仅适合于公路边坡的局限性，提出了采用Hoek-Brown强度准则及最大坡高的经验计算公式对SSPC方法进行修正，并将修正后的SSPC方法应用于水电岩质边坡稳定性的早期快速判识研究，验证了该修正方法的可行性和合理性。　　 采用数理统计方法中常用的判别分析方法(如距离判别分析法、Bayes判别分析法)，依据不同类型潜在滑坡的组合优化指标，分别建立了水电工程区岩质类和古崩滑堆积体类潜在滑坡的早期判识模型，并将判别分析模型与后验概率估计方法相结合，对水电工程区的潜在滑坡进行早期判识研究。　　 将支持向量机这种新的人工智能学习技术，引入潜在滑坡的早期判识研究，依据不同类型潜在滑坡的组合优化指标，建立了水电工程区岩质类和古崩滑堆积体类潜在滑坡的二分类和多分类支持向量机判识模型，并将支持向量机模型和后验概率估计方法相结合，对水电工程区的潜在滑坡工程实例进行了早期判识研究。