滑坡是一种不仅给人类带来威胁,而且还对环境、资源等具有破坏性的重要地质灾种。100多年来,人们对滑坡预测预报进行了广泛的研究,并把研究成果应用于实践活动中,为人类提高抵御滑坡灾害的能力做出了很大的贡献。本文应用现代智能算法挖掘区域性滑坡稳定性的规律,并把这些规律应用到本区域内的滑坡稳定性评价中。根据影响因素具有不确定性,评价指标通常是高维非正态和非线性的数据,而常规的评价方法对高维非正态、非线性数据的适应能力不强,难以取得理想效果的特点。本文提出了用人工神经网络和支持向量机来解决滑坡稳定性评价问题。通过黄土滑坡和边坡的稳定性的试验说明用人工神经网络和支持向量机法来评价滑坡稳定性的效果较理想。但是研究发现随着影响滑坡的因素和滑坡样本的增多,人工神经网络出现了训练速度慢,网络结构不稳定和泛化能力差等问题;支持向量机法也出现了速度慢和分类数增多时分类准确率急速下降的问题。针对影响滑坡稳定性的因素繁多且复杂,及收集到的数据不完全和因素间有冗余的特点,本文首先对影响滑坡稳定性的因素进行量化,然后用粗糙集的属性约简删除不必要的属性从而建立影响滑坡稳定的指标体系。针对人工神经网络和支持向量机在滑坡稳定性评价中的不足,本文根据粗糙集和智能算法的特点给出了粗糙集和智能算法融合的粗糙-神经元算法和粗糙-支持向量机算法,并把这两种算法都应用于新平县内滑坡稳定性评价中,通过实验发现:粗糙集-支持向量机比粗糙集-神经网络有更高的准确率和更稳定的网络结构。为了减少滑坡位移监测的费用,本文结合滑坡位移特点,通过改进背景值及与马尔科夫链的相结合给出了改进灰色-马尔科夫链模型,并把该模型用于评价新滩滑坡位移预测上,结果表明这种方法比灰色模型具有更高的预测准确度。