西安地裂缝是世界上最著名的地质灾害之一,分布广泛、活动剧烈、致灾严重。在依据钻探数据查明地裂缝时,黄土梁-洼过渡区的标志层整体有一定的倾斜背景,影响标志层错断的判别。为了排除地层倾斜造成的影响与干扰,判别地裂缝标志层错断时更客观、合理,提高判别的准确度,减少误差,本文总结分析了地铁1~5号线地裂缝勘察资料中的含古土壤层的勘察场地剖面情况,整理出标志层层底高差?h以及对应的孔间距l的统计结果,分析了标志层层底高程与孔间层面倾斜的定量化特征,总结地裂缝标志层错断的判别方法。将两种方法应用到工程实例中,有较好的实用性与准确性。并且,基于大量的地裂缝勘察数据资料结合机器学习算法,建立机器学习分类器模型进行标志层错断的预测判别,为地裂缝的判别提供了大量的数据信息基础与数学基础。论文主要研究成果如下:(1)提出了标志层层底高程差函数,其在标志层错断处的特征为:地裂缝每一侧节点数不小于3时,标志层错断位于左、右高程差函数值变化量的最大值之间。(2)不同地貌单元古土壤层的倾斜背景值:平缓地层倾斜背景值为0.099,黄土梁—洼过渡区地层倾斜背景值为0.301。计算、分析了标志层孔间倾斜之差,得到了单个剖面中古土壤错断的孔间层面倾斜之差界限经验曲线。(3)将基于标志层层底高程差函数特征与孔间层面倾斜之差界限经验曲线判别标志层错断的两种方法应用于西安某场地勘察成果分析中,判别结果与实际情况一致。(4)选取孔间距、高程差函数值、孔间层面倾斜值、孔间层面倾斜值之差这4个因素作为标志层错断判别的指标,针对不同地貌类型古土壤层特征,运用逻辑回归方法与Kernel-SVM方法建立了四种机器学习分类器模型。(5)两个逻辑回归算法的准确率与AUC值均分别高于对应的Kernel-SVM分类器模型,总体上来说逻辑回归分类器模型的准确率高于Kernel-SVM分类器模型。(6)纵向对比两个逻辑回归算法分类器模型和两个Kernel-SVM分类器模型,结果表明平缓地层的两种分类器模型的准确率与AUC值均高于黄土梁洼过渡区倾斜地层分类器模型,平缓地层的标志层错断更容易判别。(7)将经过训练的两类机器学习分类器模型应用到工程实例中,结果表明逻辑回归分类器的预测结果更准确,性能更好。