随着滑坡治理经验的积累和滑坡治理资料的累计,滑坡治理现代化和技术化逐渐成为可发展的方向。如果在滑坡治理的过程中,得到相似的典型滑坡治理工程案例作为参考,那无论是在治理措施的决策上,还是在治理成本的投入上都能做到有例可循,而且决策效率和正确性也能得到较大的提升。因此,本文在收集四川省2010年以来的滑坡治理工程资料的基础上,开展滑坡治理相关研究:对滑坡因子进行深入分析,基于机器学习算法搭建滑坡治理工程措施的定性推荐模型,采用回归算法和推荐算法进行治理措施参数定量研究;开展滑坡治理成本研究,通过研究滑坡治理成本的影响因素,搭建滑坡治理成本推荐模型。本文主要工作和相关成果如下:（1）进行滑坡数据收集与处理,引入带有滑坡空间信息的地图数据,对滑坡展开精细的刻画。收集并整理609个在2010-2021年之间的滑坡治理工程资料,提取了丰富的滑坡治理潜在影响因子,并采用分类、聚类等机器学习方法对滑坡地图进行特征提取。结果表明,融入滑坡地图特征数据后,对滑坡的刻画变得更加精细。在基于内容的推荐模型中,融入地图特征后推荐结果误差MAE降低5%,说明引入滑坡地图数据具有一定的价值。（2）基于推荐算法进行滑坡治理工程措施定性推荐研究。经过因子分析,构建滑坡信息模型,通过两种定性推荐模型的构建、训练与实验对比了基于内容的推荐算法和基于混合的推荐算法在滑坡治理定性推荐上的应用效果。结果表明,基于内容推荐算法和基于混合推荐算法构建的定性推荐模型的推荐误差MAE分别为17.2%和16.2%,后者的推荐效果比前者更佳。（3）利用回归算法和推荐算法对滑坡治理措施中的抗滑桩参数进行定量研究。经过因子分析,选择出与抗滑桩参数相关性较大的因子。通过随机森林、Adaboost、XGBoost这三种回归算法对抗滑桩参数进行参数回归模型的训练与测试,进行十折交叉验证后,选出回归效果最佳的XGBoost回归模型,实现了平均误差MAE:0.25 m（A类抗滑桩间距）、2.15 m（A类抗滑桩桩长）、4.20根（A类抗滑桩数量）。利用同样的数据,采用基于混合推荐算法进行对比试验,得出了平均误差MAE:0.33 m（A类抗滑桩间距）、2.18 m（A类抗滑桩桩长）、4.48根（A类抗滑桩数量）。从精度上比较,回归算法比推荐算法更优,但推荐算法解释性优势较大。（4）构建滑坡治理成本推荐模型。基于推荐算法搭建滑坡治理成本的推荐模型,通过给待治理滑坡推荐相似的典型滑坡,提供治理总成本的参考对比。滑坡治理成本推荐模型在经过400个待治理滑坡的十折交叉验证中平均绝对误差百分比MAPE为26.5%,同时也将模型进行实例验证,验证结果中推荐误差百分比均低于50%,说明成本推荐具备一定的参考价值。