我国每年因地质灾害造成的直接经济损失高达数十亿元,滑坡灾害属于地质灾害的一种,它的发生次数在地质灾害中占比最多,达到地质灾害发生次数的一半以上。进行滑坡位移变形预测预警研究,对于滑坡防治十分重要,有深刻的现实意义。近年来,随着深度学习不断取得重大进展,基于神经网络的时序数据预测方法应用越来越广泛,并且获得了许多的成果。三峡库区地理环境复杂,降雨充沛。在诸多环境因素作用下,库区内的地质灾害隐患较多。所以,监控和预测库区范围内的滑坡十分重要。三峡库区滑坡位移随时间呈现阶梯特征,直接预测效果不佳。一般将累计位移分解成两个分项,分别预测后求和。目前有研究人员基于LSTM神经网络预测滑坡位移,且用三峡库区滑坡数据进行验证,结果表明LSTM预测精度比传统机器学习方法更高。但LSTM结构复杂,模型训练耗时较长。GRU作为LSTM的一种变体,它的结构简单。因此,本文基于GRU神经网络搭建滑坡位移预测模型,并与LSTM、传统机器学习方法进行对比。主要研究内容根据特征可以分为三个部分:（1）收集整理三峡库区典型滑坡的累计位移、降雨、库水位的数据。对累计位移用二次指数平滑法分解出趋势项,累计位移与趋势项相减得到周期项。用基于改进的长短期网络的预测方法预测趋势项数据;用决策树的CART算法计算周期项各个影响因子的重要性,然后选择其中优势影响因子,然后用数个优势影响因子作为输入值,使用基于改进的长短期记忆网络的预测方法预测周期项数据。然后将预测的周期项和预测的趋势项相加得到预测的累计位移。实验结果表明所提出的滑坡位移预测方法,预测误差小,精准度高,更适合位移的预测。（2）根据不同的位移变化速率阈值划分对应的危害等级,使用预测的位移数据计算速率,与阈值进行比较得到危害等级,从而实现滑坡灾害预警。（3）从需求分析、总体架构和功能模块对滑坡动态预警平台进行设计,基于Cesium和相关开发技术搭建三峡库区典型滑坡动态预警平台。该平台集成了现代的开源地图库和可视化库,可以实现数据可视化的功能,针对滑坡预警的问题,采用了前沿的深度学习技术,本平台能够实现免安装地在浏览器中高效运行,而且可以快速接入和使用多种Gis数据和三维模型,实现三维可视化,还能实现库区全域、动态、实时、精细化的滑坡地质灾害预警预报。