我国幅员辽阔,地质环境复杂,气候类型多样,尤为适合滑坡灾害发育。目前滑坡已成为阻碍我国经济发展的重要因素。对影响滑坡发育的众多因素进行分析,从而加强对滑坡灾害预测能力具有有重要实践价值。引入密度聚类算法对滑坡灾害数据进行分析,能够综合考虑影响滑坡发育的众多关键因素,通过数据对象间的相似性对滑坡数据进行分类,从而提取出潜在的有用信息,有助于提高预测结果的可靠性。但传统密度聚类算法在对滑坡灾害数据聚类过程中,存在降雨量等不确定数据难以有效处理、需要用户输入密度阈值及时间复杂度较高等不足。针对上述不足,本文在前人提出的OPTICS-PLUS密度聚类算法和ASCABHD密度聚类算法基础上进行改进,主要工作如下:1)考虑到到不确定数据在取值区间内的分布特征,引入云模型理论,对EW型距离公式中进行优化,提出EC型距离公式,可有效处理滑坡灾害数据中的降雨量这一不确定数据。2)在OPTICS-PLUS算法的基础上提出点平均距离和最近邻距离的概念对算法扩张策略和存储结构进行优化,设计了一种NNSB-OPTICS聚类算法,克服了原算法需要用户设置密度阈值、时间效率低的不足。将EC型距离公式作应用到NNSB-OPTICS算法中,提出不确定NNSB-OPTICS聚类算法,适用于对包含不确定数据的数据集聚类。3)本文设计了一种KDEB-PDCA聚类算法。该算法结合核密度估计方法获取密度峰值点,避免了用户设置密度阈值,同时将数据集划分为若干网格,采用“分而治之”的思想进行聚类,有效提高时间效率。为有效处理不确定数据,将EC型距离公式引入到KDEB-PDCA算法中,提出不确定KDEB-PDCA聚类算法。通过UCI数据集上的仿真实验验证了本文提出的NNSB-OPTICS算法和KDEBPDCA算法的聚类准确性、稳定性较高,时间效率上也有一定优势。对陕西省宝塔区的滑坡灾害实地勘测数据,应用本文提出的不确定NNSB-OPTICS算法、不确定KDEBPDCA算法分别建立滑坡灾害预测模型,进行滑坡危险性预测实验,验证了本文提出的EC型距离公式能够有效处理不确定数据,提高预测结果可靠性。