地震滑坡是全球山区最危险的次生灾害之一。为了合理规划山区的土地管理和城市化开发,划定滑坡易发区至关重要。然而,如何明确地震引起滑坡的地质与地貌特征是十分困难的。由于地震可以瞬间释放强大的能量,通常对滑坡的分布和规模起到一级控制作用,因此地质地貌对地震滑坡的影响很容易被地震因素削弱,特别是在河谷、河沟等地发震断层地区。此外,滑坡识别和滑坡敏感性图制作是滑坡敏感性评估的关键步骤。因此,本文提出了一种能够准确生成滑坡敏感性图和最佳评估滑坡敏感性的模型。2008年5月12日在中国四川省西部发生了毁灭性的汶川地震。在地震发生后的几年里,累计产生了几次灾难性的泥石流,出现了许多震后滑坡的问题。研究区为川西高原汶川县,地处川西平原东缘龙门山地震带,面积4084平方公里,是世界上大陆地震最活跃的地区之一。青藏高原。一系列因果因素控制了滑坡,因此准确地确定滑坡成因对可靠的LSM。滑坡的形式受多种因素影响,准确确定滑坡的成因对LSM的可靠性至关重要。通过分析2005年至2016年间发表的文献,这项工作确定了诱发汶川地震的8个最常用的成因。根据历史滑坡记录建立了滑坡清单,基于RF和ANN模型,从因素库和滑坡敏感性评估（LSA）中选择了8个成因。这些参数包括坡度、NDVI、岩性、与河流的距离、土地规划、土壤、峰值地面加速度（PGA）和坡度角。本研究工作的主要目标是:（1）构建研究区地震诱发滑坡的ANN和RF模型;（2）评估滑坡敏感性模型的空间推测能力和预测精度;（3）确定其他影响因素,建立地震滑坡发生概率模型。上述两种LSM模型的预测能力采用受试者工作特征（ROC）曲线的曲线下面积（AUC）值进行评估。另外,本研究基于五个统计指标对新提出的基准模型和现有的软件计算模型进行了评估,这五个统计指标包括:灵敏度（SE）、特异性（SP）、准确度（AC）、平均绝对误差（MAE）和均方根误差（RMSE）。同时,基于四种可能的分类结果,即真阳性（TP）、假阳性（FP）、真阴性（TN）和假阴性（FN）,计算敏感性、特异性和准确性。准确分类为滑坡和非滑坡的滑坡单元的数量分别用TP和FP表示,分别表示精度、召回率、准确度和特异性。基于LSM和AUC值,我们发现两种机器学习算法都表现得非常好。但在准确性和预测方面,RF表现更出色。结果显示两种模型的性能存在差异,RF模型（AUC=0.966）优于ANN模型（AUC=0.914）。此外,与人工神经网络模型相比,射频模型在高易感性类别和极低易感性类别的区域之间表现出更高的重合度。本研究可以得出以下结论:（1）基于应用机器学习应用程序（例如RF和ANN）的理论框架,可以可靠且低成本评估滑坡敏感性。（2）该结果可有效描述研究区地震诱发的滑坡特征,并预测研究区未来引发的滑坡的可能性。（3）这一结果将有助于决策者采取有效的防灾减灾措施,同时滑坡敏感性图将有助于地震多发地区的区域规划和重建。4)它还将在人类学活动、资源管理和地区基础设施建设中发挥非常重要的作用。