地质灾害带来的生命和经济损失不可估量。滑坡本身的多发性、快速发展性和重大影响性,使其成为地质灾害中占比极大的一个重要灾种。历年全国发生的所有地质灾害中,滑坡占比均高于50%,而在2019年的6181起地质灾害中,滑坡有4220起,比例高达68.3%。从地质灾害空间分布来看,陕西一直是我国地质灾害的重灾区之一。因此,认识陕西省滑坡的特点、探索滑坡分布规律、分析滑坡灾害的易发性,进而为实现滑坡灾害的监测预报并有效防治提供理论支撑就显得尤为重要。论文以陕西省滑坡灾害数据为基础,根据陕西省特点尽可能多地获取了滑坡影响因子。并从评价单元选择到模型对比分析详细地阐述了陕西省滑坡易发性分析模型构建的过程。构建了SOM-CNN模型对陕西省滑坡易发性的计算结果进行分区,并简要分析了各个分区的分布情况。1、获取了GDEMV2数据、MODIS遥感影像以及气象等原始数据。从中提取了23个影响因子,包括坡度、坡向、谷深等8个地形地貌因子,地层岩性、土壤类型、断层3个地质因子,TWI、Melton系数、流路长度等7个水文因子,以及NDVI、地震、降水、人类工程活动相关因子。并通过对影响因子分组统计滑坡点数量,简要分析了不同影响因子和滑坡灾害发生之前的统计规律。利用Pearson相关性系数对初始获取的23个影响因子进行相关性分析,随后采用随机森林进行重要性分析,筛选出相对重要且相关性弱的15个滑坡影响因子。其中谷深的重要性最高为0.28,土地利用类型的重要性最低为0.012。2、选取K均值和SOM神经网络两种聚类算法对研究区滑坡易发性进行分区。对比发现虽然K均值精度更高但是其分区并不合理。因此选择SOM聚类后的结果作为负样本选取的基础。分别采用:（1）从SOM聚类后的极低易发区中随机选取负样本,（2）从SOM聚类后除极高易发区外的其他区域中随机选取负样本,（3）从不包含滑坡的区域中随机选择负样本,这三种方式得到样本集进行模型训练和精度分析,最后选择精度较高且分区合理性更高的方法（2）作为本次研究的负样本选取方法。3、在SOM网络聚类的基础上,构建了一维卷积神经网络作为陕西省滑坡易发性分析的模型并制图,并与支持向量机模型和随机森林模型的分析结果进行对比。分析了三种模型的应用精度,通过精度分析发现,三个模型应用于陕西省滑坡易发性分析均是有效且合理的。但是各个指标综合来看SOM-CNN模型比另外两个对比模型具有更高的预测精度和分区合理性。4、简要对陕西省滑坡易发性进行分析。陕南部分的滑坡易发性基本具有随着DEM的提高而降低的趋势。除此之外,断层对陕西省的滑坡影响也较为明显,关中部分的高易发区基本与断层走向吻合。陕北部分的高发区与河流、地震相关性更高。而土地利用类型、土壤类型和坡向对该区整体滑坡易发性影响不大,与影响因子重要性分析结果较为相符。