滑坡是位于中国长江上游的三峡库区最重要的地质灾害之一。三峡库区特殊的多山地形，三峡水库蓄水引起的水位波动和雨水渗入使得滑坡灾害成为库区严重的地质环境问题。由于位于长江两岸山脉上的大部分耕地都集中在老滑坡带，滑坡灾害常常导致大量的人员伤亡和财产损失，甚至影响到长江三峡移民工程的实施。为了降低滑坡带来的危害，加强滑坡监测和预测是十分必要的。滑坡是一种大面积的地面运动现象，岩石崩落，斜坡体的深度破坏和浅泥石流等都属于滑坡的范畴。滑坡演化过程被认为是一个复杂的非线性系统。它主要是由滑坡体内在的能量和斜坡自身的约束条件所决定，但同时也受到复杂多变的外部自然环境因素的影响。例如强降雨，昼夜温差，河流侵蚀，雨雪融化，地震和人类活动。利用传统的线性方法已经难以描述这些复杂环境因素和滑坡体演化之间的关系。因此我们尝试利用先进的计算智能方法，例如人工神经网络(ANNs)，作为工具研究滑坡预测问题。本研究主要内容包括：　　⑴对滑坡位移单时间序列进行了研究，基于”分解与集成”的预测思想，提出了一种改进的基于集成经验模态分解(EEMD)和极限学习机(ELM)的M-EEMD-ELM模型。首先利用EEMD将非线性的滑坡位移监测序列分解为一系列本征模函数(IMFs)和一个残余项函数。然后对除最高频IMF外的其他分解得到的子序列建立ELM预测模型。最后通过简单求和将ELM预测器对各个子序列的预测结果集成为最终的滑坡位移序列预测结果。以三峡库区白水河滑坡为例验证了预测方法的有效性，结果显示在同样的实验条件下，本文提出的M-EEMD-ELM预测模型能够获得比传统的神经网络预测模型和EEMD-ELM模型更高的预测性能。　　⑵对外界环境因素，降雨和库水位变化，与滑坡演化之间的关系进行了研究。利用EEMD分解将降雨序列，库水位序列和滑坡位移序列各自分解为一系列从高到底不同频率的IMFs。并利用ELM神经网络模型建立降雨和库水位子序列同滑坡位移子序列间的关系。对各个滑坡位移子序列建立ELM预测模型分别预测，最终的预测结果为各个子ELM预测模型预测结果的集成。以三峡库区白水河滑坡为实例验证了本文提出的EEMD-ELM预测方法比传统的神经网络预测模型具有更高的预测精度。　　⑶将量化预测不确定性引入传统的滑坡位移预测研究中，提出了一个新的基于随机权值神经网络的滑坡位移预测模型。传统的滑坡位移预测模型预测都是确定性的点预测，而我们研究的目标是构建预测区间(PIs)的区间预测模型。本文采用一种新的神经网络构建预测区间的方法，上界下界估计(LUBE)，来建立预测模型。不同于传统的LUBE方法，本文提出的随机权值单隐层前馈神经网络中的隐层权值和偏置能够随机选择，而只有输出权值需要调节。利用粒子群优化(PSO)和万有引力搜索(GSA)的混杂算法PSOGSA来优化输出权值。同时针对改进的LUBE算法提出了一个新的神经网络目标函数，该目标函数由改进的组合覆盖宽度标准(CWC)和一个一范数正则化项组成。为了验证提出方法的有效性，本文对两组标杆数据集和一组三峡库区典型滑坡实例数据集进行了实例分析。实验结果显示本文提出的方法能够比传统的方法构建更加优质的PIs。　　⑷利用传统的神经网络预测模型常常对滑坡位移突变点难以实现有效的预测，这主要是由于训练样本中滑坡位移突变这种小概率事件样本的匮乏。为了克服这个问题，提出了一种将传统的回归预测问题转化为分类预测问题的方法。通过利用K均值聚类分析滑坡位移变化量，将滑坡演化分为两类：滑坡平稳演化阶段和滑坡位移突变阶段。由于滑坡位移突变是一种小概率事件，因此滑坡位移分类实质上是一种不平衡数据分类问题。为了克服数据的不平衡分布问题，本文采用加权ELM构建分类预测器，并以白水河滑坡为例验证了方法的有效性。　　⑸研究了高分辨率滑坡遥感图像分类问题。通过对各种类型的多特征分析更好地获得高维遥感图像中的信息。为了处理这类具有高特征维数的图像大数据集，本文采用了一种具有高效计算效率的核ELM算法构建图像分类器。分别对各个独立不同的特征子集训练子分类器，然后融合多个子分类器的分类结果以避免溢出问题。并以一个真实的滑坡遥感图像数据集为例验证了方法的有效性。