纵览现今泥石流领域内的研究，其预测预报依然是重要的研究方向。虽然预报的理论方法不断地发展，但数理统计仍然占有一定的地位，其中鲜少被运用到泥石流预报中的Bayes判别分析方法值得研究探讨。泥石流这门学科涉及到众多相关学科，其中水文与环境学科较为突出，而伴随遥感技术和地理信息系统技术的发展，为其研究提供了一种可靠的工具支持。本文首先通过考虑环境因素的空间插值优化来获取更优质的四川省逐日降雨；其次基于降雨与环境的不同组合，建立不同区域的Bayes判别分析的预报模型；最后在不同泥石流先验概率组合下建立Bayes判别分析与Logistic回归两种预报模型，比较两者的回判预报正确率，主要的结果如下：（1）针对降雨空间插值优化，通过相关性分析以及主成分分析选取高程、坡度及坡向作为插值的辅助信息加入到协同克里金插值过程中，并通过交叉检验与普通克里金进行比较，得到协同克里金插值方法整体略优。（2）根据四川省泥石流分析，选取合适的降雨和环境作为预报因子，分别对全省和高发区域泥石流进行Bayes判别分析的预报建模，通过自身验证和交叉验证得到判别正确率，结果如下：(a)以降雨为预报因子高发区域总的判别正确率平均比全区域高2.75%，同时以降雨和环境为预报因子高发区域总的判别正确率平均比全区域高5.9%；(b)全省区域内基于降雨和环境因子的预报模型自身验证和交叉验证的总判别正确率相差0.9%与基于降雨因子的预报模型两者相差2.8%相比，前者较为稳定，而高发区域内基于降雨和环境因子的预报模型相差2.7%与基于降雨的预报模型相差1.1%相比，后者稍微稳定。（3）考虑四川省不同泥石流先验概率组合，以上述研究为基础，选取攀枝花与凉山彝族自治州为研究区域进行Bayes判别分析与Logistic回归预报建模及比较，以总的回判预报正确率为主：(a)当泥石流发生与不发生的先验概率组合依次为（0.5，0.5）、（0.67，0.33）、（0.75，0.25）及（0.9，0.1）时，以降雨和环境因子为预报因子，Bayes判别分析总预报正确率分别比Logistic回归总的预报正确率低8.3%、高3.2%、高0%及低0.6%；(b)当泥石流发生与不发生的先验概率组合依次为（0.5，0.5）、（0.67，0.33）、（0.75，0.25）及（0.9，0.1）时，以降雨因子为预报因子，Bayes判别分析总的预报正确率分别比Logistic回归总的预报正确率低0.5%、高4.7%、高0.5%及低0.5%。综合考虑以上的结果，在攀枝花和凉山彝族自治州区域内，根据实际泥石流发生情况在不同条件组合下建立Bayes判别模型进行泥石流预报是一种行之有效的途径，具有一定的实用价值。