在全球气候变化背景下,降雨诱发型滑坡造成的破坏显著增加,建立滑坡的气象预警系统对于区域防灾减灾具有重大意义。但是,滑坡灾害高发的山区（特别是高山峡谷区）由于数据资料有限,已有的预警模型存在不确定性强、缺乏考虑灾害发育的地质环境背景等诸多问题,导致滑坡预警模型预警精度低、误报率高。因此,在降雨数据稀缺的山区建立有效的滑坡预警模型是当前滑坡防灾减灾亟需解决的关键问题。本研究以我国地质灾害四大高发区之一的白龙江流域中下游为例,通过地理加权回归方法将分辨率为0.25°（约27 km）的热带降雨测量卫星数据（Tropical Rainfall Measuring Mission,TRMM）遥感卫星数据降尺度到1 km的日分辨率,并将其与地面站降雨记录进行融合,获得高精度的降雨数据;同时开展区内降雨诱发滑坡事件时空编目,在揭示滑坡时空分布特征的基础上,建立基于贝叶斯定理和频率法的降雨阈值曲线;进一步整合基于深度学习的滑坡敏感性图,构建基于降雨阈值的区域滑坡预警模型;最后利用研究区内近期群发性滑坡事件对模型精度进行验证。取得的主要研究结果如下:（1）为了克服高山峡谷区降雨数据稀缺以及降雨型滑坡时间编目数据缺乏的问题,本研究基于地理加权回归与条件融合方法,获得1 km的日降雨数据,并且进行精度评估,结果显示与降尺度降雨和雨量计插值数据相比,将两者结合起来的条件融合数据分辨率为1 km的日降雨量数据具有更好的整体性能和更高的精度。此外,本研究结合资料调查和遥感解译收集了研究区2003年至2019年间有详细时间、地点记录的降雨诱发型滑坡共80个,以及用于验证的群发性滑坡120个。科学的降雨数据预处理和滑坡数据收集为后续的降雨阈值研究奠定数据基础。（2）基于降雨事件与降雨型滑坡的高相关性特征,对诱发滑坡降雨事件的临界雨量展开研究。提取诱发滑坡的降雨历时、降雨强度、累积雨量与前期雨量,基于一维贝叶斯模型,研究降雨型滑坡发生的先验概率。结果表明降雨历时与累积雨量变量的解释能力更高。基于频数法确定降雨阈值等级曲线中5%的阈值曲线T5为E=（5.01±0.06）*D（0.64±0.09）;20%的阈值曲线T20为E=（7.08±0.67）*D（0.64±0.09）;50%的阈值曲线T50为E=（15.14±1.15）*D（0.64±0.09）。结合频率法和贝叶斯定理,在双对数坐标中分别生成5%、20%和50%概率的事件降雨和持续时间阈值曲线。结果分析表明在滑坡发生概率为50%的情况下,二者存在差异,但总体趋势一致。（3）考虑地质环境背景空间差异对降雨阈值曲线的影响,开展滑坡敏感性分区评价。在分析滑坡空间分布规律的基础上,揭示了地形地貌因子、地质因子、水文因子与人类活动等因子对滑坡发育的影响和贡献程度,进一步构建了基于一维卷积神经网络模型的滑坡敏感性评价模型。高敏感性区域主要在构造活动强烈,岩层较软,人类活动频繁的区域,且主要分布在武都,并沿着白龙江干流与主要支流分布。整体精度评价结果显示,模型曲线下面积（Area Under the Curve,AUC）为0.95。（4）通过矩阵融合具有时间信息的降雨阈值与空间信息的敏感性分区,建立研究区的滑坡预警模型,并且以典型的群发性的降雨型滑坡事件测试模型精度。结果表明,结合降雨阈值和滑坡敏感性图的模型的预警能力比单独使用降雨阈值的模型更能确定滑坡发生的位置。本研究成果加深了降雨型滑坡成灾机制的理解,推动了滑坡预警方法体系的发展,可为数据匮乏的山区地质灾害早期预警和风险管理提供科学技术支撑。