我国国土面积广袤,山区达到了陆地面积的70%,而山区发生滑坡灾害的概率更大,因此我国很多地区受到滑坡灾害威胁。我国江西省上犹县境内山区较多,由于季节性强降雨、建设开发以及其他人类工程活动频繁,近年来发生多起滑坡导致相关建筑工地以及公路遭到破坏,并有人员伤亡,因此上犹县是江西省滑坡防治的重点地区。滑坡在全世界范围内每年均造成大量生命财产损失,而如何预测滑坡的空间概率分布成为全世界研究人员关注的重点。滑坡易发性评价建模作为一种研究方案在一定程度上可以准确预报某一地区潜在滑坡的空间概率。现有相关研究中,关于滑坡等灾害的易发性评价主要通过探寻滑坡内在和外在因素,如地质、土壤、植被、气候和人类工程活动等因素来获取研究区的滑坡潜在高易发性;或者通过改进或创造新的机器学习模型提高滑坡易发性的预测精度,进而提升评价效果,很少有研究者关注滑坡易发性建模中的相关不确定性。滑坡编录相关基础数据是进行滑坡易发性评价极为关键的基础步骤,在研究中,滑坡编录的滑坡形状特征及位置影响了滑坡边界和滑坡内部面积,各滑坡内部所包含的环境因子信息也随之产生一些误差。同时,易发性分级表达是进行滑坡灾害易发性评价的最后环节,处于整个过程的重要地步,易发性分级方法的选取很大程度上影响了最终滑坡易发性图的特征。一个有效的滑坡易发性图的关键性能是具有较小的高易发性区而又能识别出更多的历史滑坡,这也是直接用于未来决策的主要依据。因此,针对上述研究中存在的相关问题,本文以江西省上犹县作为研究区来开展滑坡编录误差和易发性分级对滑坡易发性评价建模影响规律的研究,并探索半监督等思路来克服滑坡编录误差的影响。本文研究的主要内容和结果如下:（1）统计上犹县1970～2003共30多年的滑坡编录信息并获取337处滑坡,其中滑坡的形状特征表达方式主要是绘制出的滑坡多边形面和完整滑坡区的中心点;本文将滑坡的中心点向外缓冲获得的一种圆形滑坡边界作为第三种滑坡形状特征表达方式;利用这三种不同边界及空间形状作为进行滑坡易发性评价的滑坡形状特征表达方式。（2）选取包括孕灾因子和诱发因子的10类环境因子作为本研究区的模型评价因子,这些因子是通过历史资料、研究区土地信息以及大量文献获得的。之后分别基于滑坡点（Point）、缓冲圆（Circle）和准确获取的多边形面（Polygon）建立滑坡形状及其与环境因子的关联性;选取多层感知器（MLP）和随机森林（RF）来构建基于Point,Circle,Polygon的六种评价模型,最后采用ROC精度、易发性指数的分布规律等开展建模不确定性分析。可知,以滑坡点或缓冲圆作为滑坡形状特征将增大易发性结果的不确定性,而用准确的多边形面表达滑坡形状显然能更有效保证易发性结果的精度和可靠性。（3）选取最优的一组工况,即以准确的滑坡多边形面作为滑坡形状特征表达、基于RF模型评价上犹县的滑坡易发性作为案例,提出滑坡易发性定量分级标准。采用易发性图及面积比例和基于频率比的易发性分级精度进行验证。可知进行滑坡易发性评价时,把自然断点法和K-means聚类法作为滑坡易发性分级方法,可使结果更加的科学、合理。（4）在前面的研究基础上,采用滑坡多边形面作为滑坡形状表达特征,并随机将多边形面偏移30 m、50 m、70 m、90 m和110 m等形成各级别误差;同样构建original data-based,30 m……110 m error-based MLP和RF模型,以便预测滑坡易发性指数;且空间位置误差均随机模拟两次以避免建模随机性,最后开展不确定性分析。可知更大的滑坡空间位置误差将增加建模不确定性,但误差数据控制在70m范围内也可使用,可见将现有的难以避免存在一定误差的滑坡空间位置数据用于易发性建模是可行的。（5）利用半监督机器学习模型评价原始滑坡工况下的易发性来减小空间位置误差的影响。可知基于半监督机器学习的原始滑坡易发性预测精度大幅度高于其他空间位置误差下的滑坡易发性,因此半监督机器学习模型对于滑坡易发性评价建模中减小滑坡空间位置误差的影响是有效的。