我国具有地形复杂多样、山区面积广大、地质构造发育程度强的特点,导致地质灾害隐患分布非常广泛。滑坡地质灾害是我国最典型的地质灾害之一,近年来我国地质灾害总体仍呈多发态势。根据全国地质灾害通报等相关资料统计,2010年至2021年期间滑坡发生数量占比地质灾害总次数的70%,具有影响范围广、发生数量多、破坏力强以及造成损失极其严重的特点,尤其是受强烈地震引发的滑坡给我国西南部的发展带来了不利影响。在此背景下,开展地震滑坡易发性评估研究,定量分析地震灾区的滑坡易发性评估结果对灾后应急响应、防灾减灾、灾后重建以及为灾区的未来中长期规划具有重要现实意义。滑坡易发性评估是地质灾害风险评估的重要环节,本论文以地震滑坡易发性评估为选题,以深度学习模型为技术指导,以地理信息数据及遥感影像作为数据源,针对基于深度学习模型地震滑坡易发性评估流程构建、存在超参数优化和样本数据集采样存在的不足,开展基于深度学习的地震滑坡易发性评估研究,并在九寨沟地震重灾区开展应用验证,论文的主要内容以及成果如下三个方面:（1）建立了基于深度学习模型的九寨沟地震滑坡易发性评估流程。以地质灾害风险评估原理作为理论指导,分别从滑坡易发性评估样本集的建立原则与构建过程、滑坡易发性评估影响因子的处理和优选、模型的运用和改进、滑坡易发性评估模型精度评价和比较、具体滑坡易发性评估结果的有效性、科学性、合理性分析这5个方面,对深度学习算法模型运用于滑坡易发性评估过程中的关键步骤进行阐释与梳理。结合九寨沟地震滑坡具体案例展开应用示范,通过区域滑坡调查与遥感影像目视解译收集得到了滑坡易发性评估样本数据集;通过特征相关性、重要性分析,从16种影响因子中筛选出9种影响因子用于模型构建;通过具体模型运用和精度评价开展研究区滑坡易发性评估工作。（2）提出了一种基于蚁群优化算法（Ant Colony Optimization,ACO）与深度置信网络（Deep Belief Networks,DBN）的滑坡易发性评估模型。针对深度学习模型在滑坡易发性评估研究中存在超参数优化不足的问题,研究对比了1种深度学习模型深度置信网络,2种统计机器学习（Machine Learning,ML）模型:支持向量机（Support Vector Machine,SVM）、随机森林（Random Forest,RF）,以及通过蚁群优化算法分别对这3种模型进行超参数优化的集成模型ACO-RF、ACO-SVM和ACO-DBN模型。通过模型建模与超参数优化算法改进设计,研究结果表明:作为深度学习模型的DBN在优化后准确率为93.11%,精度表现优于优化后的统计机器学习模型RF和SVM,并且其滑坡密度分布更为合理。三个集成模型在各个精度指标以及受试者工作特征（Receiver Operating Characteristic,ROC）曲线表现方面均优于未优化的原始模型,并且其优化结果具有统计学意义。证明了利用深度学习模型并进行超参数优化在滑坡易发性评估研究工作中的应用潜力。（3）研制了一种基于高斯热力图采样与卷积神经网络（Convolutional Neural Network,CNN）的滑坡易发性评估方法。通过高斯热力图采样丰富深度学习模型输入端滑坡样本数据集的种类,来提高滑坡易发性评估结果的精度以及准确性。该采样方法通过结合卷积神经网络,构建了一种滑坡易发性高斯热力图神经网络模型。在进行模型超参数优化后,通过对比高斯热力图采样与传统的正、负样本采样方法,高斯热力图采样方法的评估结果准确率（95.30%）、综合评估指标F1值（95.13%）较传统方法提高了约2%,同时该采样方法有效地改善了滑坡易发性概率分布图的准确性。通过高斯热力图尺度采样敏感性分析,发现中尺度高斯热力图更适合九寨沟震区滑坡易发性评估的应用,以及通过未来发生的滑坡验证了评估结果的正确性。研究结果证明了高斯热力图采样方法可以丰富滑坡样本数据集的种类,该方法使得深度学习在滑坡易发性评估结果中的精度以及准确性得到提高。