在近年来国家经济的快速发展背景下,公路交通、铁路等基础设施的建设不断考验着建设者对安全事故预防的敏感性。边坡的稳定性研究对防灾减灾有着至关重要的作用,边坡的稳定性评估是边坡治理、加固以及地上结构设计的重要依据,是岩土工程领域的重要课题。传统的边坡稳定性评估难以依靠单一学科进行研究,存在着诸如非线性程度高、本构关系复杂、经验评估所占成分较多等问题。得益于计算机科学的发展,边坡稳定性分析评价的复杂性、非线性难题能够一定程度上被辅助解决,相对于传统物理力学的计算,各类智能预测模型的求解方法往往能够起到更好的效果,为边坡稳定性问题的研究提供了新方向。本文基于混合核极限学习机（HKELM）这类新型优化机器学习算法及粒子群（PSO）优化策略,有针对性地提出了对边坡稳定性预测方案,包括安全系数的直接预测求解、非圆弧滑动面搜索以及累计滑坡位移短期预测等。首先,总结了极限学习机算法的基本原理及其应用流程,探究了不同核函数的适用特点并提出适用混合核函数作为核函数的改进方案,兼具局部性学习、全局性泛化特点;为了对边坡多参数输入、非线性的缺陷做出改进,引用粒子群寻优算法作为核参数及输出权值的决策算法。然后,针对均质边坡相对简单、数据输入维度单一的特点,适用于PSO-HKELM（粒子群优化混合极限学习机）直接进行安全系数预测。通过13组三峡库区边坡安全系数预测实验,对比分析了该模型与遗传算法优化、蝙蝠算法优化、单纯ELM（极限学习机）算法的预测性能优劣性,验证了该方法直接预测均质边坡系数的可靠性和准确性。其次,针对非均质边坡等复杂情形,利用改进粒子群搜索最危险滑动面为主,间接预测边坡稳定性。以澳大利亚计算机协会的四道经典边坡考题分析验证了APSO（自适应粒子群算法）预测方式较为逼近标准答案,对均质边坡、非均质、含软弱夹层等三类典型边坡滑动面的搜索可靠性都有较好呈现。最后,提出WA-PSO-HKELM（小波粒子群极限学习机）对滑坡岩土体蠕变的过程中时程的分析及累计位移的预测方法。通过小波函数解构累计位移信号值为不同影响项,包括趋势项、周期项及突变项。基于相空间重构及假邻近法处理样本减小了学习、训练难度和冗余度。模型成功拟合了三峡树坪滑坡相关监测点的累计位移值,进一步验证了模型针对边坡问题具有较优异的的适用性和性能。