自然界和工程界广泛分布着大量边坡,其稳定性关乎人类生命财产安全。岩质边坡稳定性受控于岩体抗剪强度和结构面分布规律等工程岩体特征,准确把握这些工程岩体特征参数是分析边坡稳定性的先决条件。因此,针对岩石抗剪强度参数估测、岩体优势结构面分组、结构面粗糙度及其抗剪强度确定、边坡稳定性预测和可靠度分析等问题,本文引入贝叶斯推断、选择性集成学习、深度学习、D-S证据理论等方法与技术,提出基于数据驱动的岩质边坡稳定性分析方法,为滑坡灾害防治提供方法依据和有益参考。主要研究工作与结果如下:（1）针对以往岩石抗剪强度参数估测方法无法反映并量化其不确定性的问题,提出了基于贝叶斯推断的岩石抗剪强度参数不确定性估测方法。针对贝叶斯推断难以确定函数形式的问题,引入基因表达式编程构建岩石抗剪强度参数与单轴抗压强度和抗拉强度的函数表达式。明确了基于贝叶斯推断估测岩石抗剪强度参数的实施步骤,建立了岩石抗剪强度参数的不确定性预测模型。仿真实验结果表明,贝叶斯推断可获得岩石抗剪强度参数的后验概率分布,实现了具有概率意义的岩石抗剪强度参数不确定性估测,量化了模型的不确定性程度,分析结果比常见机器学习方法更具准确性、科学性和可解释性。（2）针对传统岩体优势结构面划分方法存在的误判、漏选及噪声干扰等问题。引入DBSCAN算法构建聚类模型,避免常见结构面聚类算法人为指定分组数和初始聚类中心的主观因素影响。首次将选择性聚类集成技术应用于结构面划分中,提出了基于DBSCAN选择性聚类集成的岩体优势结构面分组方法,实现传统单个结构面聚类模型向集成模型的过渡。研究结果表明,结构面DBSCAN选择性聚类集成方法聚类结果客观合理,聚类效果显著优于常见聚类算法,不仅有效标识出噪点与孤值,还克服了单个模型易过分割或欠分割的不足。（3）针对标准剖面线视觉类比法缺乏客观性、任意特征参数难以全面反映结构面表面形态的问题。受数据信号处理与深度学习技术启发,通过短时傅里叶变换将结构面剖面线转换成时频谱图,清晰准确地全面表征结构面起伏程度与位置信息。基于卷积神经网络,提出基于时频谱图深度学习的岩石结构面粗糙度系数确定方法,避免了困难且繁琐的结构面表面形态特征提取过程。然后,明确了基于JRCJCS模型估算工程岩体结构面抗剪强度参数的方法流程。仿真实验结果表明,时频谱图深度学习方法可自动进行特征提取与模型训练,比经验方法和机器学习模型具有更高的识别准确性和泛化能力。该方法开启了结构面粗糙度识别从经验驱动人造特征范式到数据驱动自主学习范式的新模式,可为结构面粗糙度及抗剪强度参数确定提供一条可行的新途径。（4）针对边坡稳定性预测算法选择困难和单个模型误判风险大的问题,建立了基于改进D-S证据理论选择性集成的边坡稳定性评价方法。依据边坡稳定性主要影响因素,通过极限平衡法构建了大型边坡稳定性分析数据集。引入基于边界距离最小化的基分类器选择技术,提升了选择性集成模型的泛化能力。提出改进D-S证据理论融合基分类器信息,降低了选择性集成模型决策过程中的不确定性和模糊性,解决了现有边坡稳定性评价模型易误判和结果非一致性问题。仿真实验结果表明,改进D-S证据理论选择性集成方法提升了边坡稳定性预测的准确性、可靠性和确定性,可为广域尺度下快速、准确、高效地评价边坡稳定性提供一种新方法。（5）针对现有岩质边坡可靠度分析中未充分考虑节理空间分布不确定性的问题。在系统分析影响岩质边坡稳定性的不确定性因素基础上,研究了节理位置分布随机性对岩体破坏模式和承载能力的影响,明确了节理空间分布不确定性对岩质边坡稳定性的影响机制。以离散裂隙网络模型为基础,引入了节理位置随机变量,结合拉丁超立方抽样和强度折减法,提出了考虑节理空间分布不确定性的岩质边坡可靠度分析方法,为解决复杂岩质边坡可靠度问题提供一条有效途径。数值模拟结果表明,该方法全面考虑了岩体强度参数和节理几何参数变异性及节理位置分布随机性对岩质边坡可靠度的影响,真实表征了影响节理岩质边坡稳定性的不确定性因素,提高了节理岩质边坡可靠度分析结果的客观性和准确性。