山体滑坡作为一种突发性灾害,在世界各地频繁发生,严重阻碍经济社会发展,危害人民群众生命健康。作为受地质灾害影响最严重的国家之一,我国广大丘陵地带及山区因滑坡灾害的发生损失巨大,因此对滑坡灾害进行有效地防控意义重大。在滑坡灾害研究中,滑坡易发性预测能获取滑坡发生的空间概率,降雨阈值模型则可依据时间概率预测滑坡发生的具体时间。因此,基于易发性预测及降雨阈值计算,即滑坡危险性评价,能为区域降雨型滑坡时空概率的预测提供科学指导,有力推动滑坡预警和防治工作。然而滑坡易发性建模过程中存在环境因子选择、模型构建等诸多不确定性,传统临界降雨阈值也只能定性划分降雨阈值级别,存在空间辨识度较低等不确定性。此外,考虑将研究区公路密度作为诱发滑坡的静态因素,在一定程度上能更加客观验证影响滑坡发生的时空概率的诱发因素,为降雨阈值模型预测的不确定性分析提供参考。因此,针对上述指出的滑坡危险性评价中的易发性预测和降雨阈值中存在的有待改进的问题,本文以江西省安远县为研究对象,分别开展整个研究区的区域滑坡易发性预测和危险性评价,其主要研究内容和结果如下:（1）探索不同的环境因子选择方法及其最优组合对滑坡易发性预测（Landslide Susceptibility Prediction,LSP）不确定性的影响。首先获得研究区431个滑坡位置和四类共29个环境因子。利用相关性分析（Correlation Analysis,CA）、线性回归（Linear Regression,LR）、主成分分析（Principal Component Analysis,PCA）、粗糙集（Rough Set,RS）和人工神经网络（Artificial Neural Network,ANN）5种常用的环境因子选择方法,从29个环境因子中筛选出最优的因子组合。结果显示,环境因子选择方法不能保证LSP性能的提高,基于LR或ANN的机器学习模型的LSP精度总体上高于基于RS、CA或PCA的模型,且不进行因子选择的综合模型普遍优于基于环境因子选择的LSP。（2）将环境因子选择结果进一步与机器学习模型中多层感知器（Multilayer Perceptron,MLP）、支持向量机（Support Vector Machine,SVM）、决策树（Chisquare Automatic Interaction Detection,CHAID）和随机森林（Random Forest,RF）四种机器学习模型相结合,形成CA-MLP、CA-SVM等20种组合模型。此外,还构建了综合的MLP、SVM、CHAID和RF模型,将所有环境因子作为输入变量进行比较。在四种机器学习中基于RF模型的耦合模型易发性预测精度最好,高于CHAID、SVM和MLP的预测精度。（3）以江西省安远县为研究区选取1986～2004年104个降雨型滑坡事件作为基础数据,利用前期有效降雨量（Early Effective Rainfall,EE）及降雨历时（Duration of Rainfall,D）即EE-D阈值法,计算出不同降雨量诱发滑坡发生的时间概率（P）级别;然后以逻辑回归模型拟合各临界降雨阈值曲线对应的P与EE、D之间的非线性映射关系,得到降雨诱发滑坡发生的全部详细概率（全概率）临界降雨阈值。（4）引入公路密度,将公路密度频率比（Road Density Ratio,R）作为静态诱发因子,降雨作为动态诱发因子,建立静动态全概率降雨阈值模型。结果显示,传统临界降雨阈值（EE-D）和静动态临界降雨阈值（EE-D-R）都有18处滑坡落在三级及以上区域,而全概率降雨阈值和静动态全概率降雨阈值则分别有14处和12处滑坡处于60%的概率以上。（5）将滑坡易发性与降雨阈值结果耦合,对全概率危险性和静动态全概率危险性结果进行评价,并用研究区内2处滑坡加以验证。结果表明,2处降雨型滑坡在两类危险性评价中都具有较好的预警效果且差异不大,均为1处滑坡落在降雨阈值五级特别警告区域（90%～100%）,另1处落在四级警告区域（60%～90%）,且危险性均大于0.8。