地震是引起滑坡的主要因素之一,我国每年由于地震所引起的山体滑坡不计其数,尤其是西部山区,每年损失高达数十亿。然而,现阶段的研究成果主要集中在模型试验、数值仿真及理论推导方面,随着人工智能技术的快速发展,通过人工智能算法进行边坡稳定性的研究逐渐成为趋势,但是鲜有文献从地震发生—边坡动力特征—边坡稳定性评价—滑塌致灾范围开展全链条的研究。基于此,本文将从地震震级评估—地震作用下边坡动力响应—地震作用下边坡稳定性评价—地震滑坡致灾范围预测开展全链条的人工智能技术研究,具体研究成果如下:1)基于对地震震级评估预测方法的调研结果,建立了包含PGA、PGV、PGD、功率谱峰值等地震动能量表达参数以及震中距的地震震级估算的指标体系,利用支持向量机人工智能算法,并通过粒子群算法对其惩罚参数C和高斯核函数参数σ等关键参数进行优化,研究提出了基于粒子群算法-支持向量机耦合（PSO-SVM）的地震震级估算方法,并开展了鲁棒效应研究,对算法的稳定性进行的验证。在此基础上,编制了基于粒子群算法-支持向量机耦合（PSO-SVM）的地震震级估算程序。2)设计完成了几何相似比为1:10的大型振动台试验,涵盖了不同地震强度、不同坡面角度、不同地震波型共计150组的加速度放大效应试验数据,构建了涵盖地震波类型、地震动峰值加速度以及边坡堆积体的物理参数（密度、粘聚力、内摩擦角、坡角、体积比）的堆积型边坡加速度放大效应智能预测指标体系,分析了堆积型边坡峰值加速度放大效应的影响因素及规律,提出了基于极限学习机的堆积型边坡峰值加速度放大效应智能预测模型,并与传统神经网络算法进行了对比,从计算速度、均方根误差、预测拟合度等方面展现出本文算法的优势,进而验证了其优越性,通过对其鲁棒效应分析,体现了本文算法具有较强的稳定性。3)基于振动台试验结果和试验模型数据按几何相似比还原,利用理正边坡稳定性分析软件计算出多种情况下的的边坡地震安全系数,并通过与振动台试验结果进行对比分析,验证了计算结果的正确性,在此基础上,构建了涵盖边坡的坡度、土体的重度、粘聚力、内摩擦角以及地震烈度等参数的堆积型边坡地震稳定性智能预测指标评价体系,通过遗传算法对BP神经网络的权值和阈值进行了优化,进而研究提出了基于遗传算法-BP神经网络的堆积型边坡地震安全性系数预测模型,鲁棒效应分析结果表明该模型具有较强的稳定性。4)基于国内外已发表文献中滑坡点的实测资料,开展了地震滑塌致灾范围影响因素研究,结果表明,水平滑动距离和滑坡体积的对数lg V及坡面高度均呈正相关的指数函数关系。同时,对比分析了反距离权重法、径向基函数插值法、克里金插值法三种不同插值法对确定滑坡灾害点处PGA的精度效果,结果表明,克里金插值法计算出滑坡点的三向PGA精度最高。在此基础上,构建了涵盖滑坡体积、坡体高度、边坡坡度以及三向地震动峰值加速度的地震作用下堆积型边坡致灾范围的人工智能预测指标体系,利用K折交叉算法优化广义回归神经网络的光滑因子参数,进而研究提出了基于K折交叉算法-广义回归神经网络的堆积型边坡致灾范围的人工智能预测模型,鲁棒效应分析结果表明该模型具有较强的稳定性。5)通过对汶川地震彭州市谢家店子滑坡实例调查分析,利用本文所建立的算法模型进行边坡峰值加速度放大系数、边坡安全系数以及其水平滑动距离的智能预测,预测结果良好,验证了全链条的人工智能预测模型的实际可行性。