中国是一个地质灾害多发的国家。据自然资源部数据统计显示，2019年我国共发生6181起地质灾害，造成200多人死亡，直接经济损失高达27.7亿元。其中，秦巴山区是我国地质灾害最为频发的地区之一。山区地质灾害主要以崩塌、滑坡、泥石流为主，其中滑坡灾害最为常见，严重威胁到当地人民的生命财产安全。如何识别、预防地质灾害是全世界共同的难题。随着近些年来人工智能与大数据的兴起，本文充分利用多源多时相遥感数据，将人工智能算法与地质灾害分析相结合，进行了区域滑坡动态危险性分析的研究。
　　利用已有的地质资料，结合野外调查数据、监测数据、遥感影像数据，收集区域内与滑坡灾害相关的各类影响因子。然后通过高精度多时相遥感影像，提取土地利用类型、植被覆盖度、人类工程活动等诱发因子的变化信息并纳入评价指标体系，探索地质环境变化与地质灾害发生的直接、间接规律。最后利用机器学习方法在数据挖掘方面的先天性优势，建立区域范围内的滑坡灾害动态空间预测模型，实现区内滑坡灾害动态危险性分析。
　　通过上述方法，取得主要成果和结论如下：
　　(1)成功利用多源多时相遥感影像提取土地利用、植被覆盖、人类工程活动等滑坡灾害诱发因子的变化信息。本文充分利用中、高分辨率遥感影像在局部信息提取方面的优势，将各种变化因子纳入滑坡灾害空间预测模型的评价指标体系，并结合地形地貌、地质条件等影响因子，实现了遥感影像与其它数据的融合与应用。
　　(2)建立了基于浅层机器学习和深度学习的滑坡灾害动态空间预测模型，实现了滑坡灾害动态危险性分析。滑坡灾害与影响因子的关系难以用代数公式表达，而机器学习的智能算法能通过数据挖掘自动提取影响因子与滑坡之间隐含的复杂关系。论文解决了浅层机器学习方法(逻辑回归、支持向量机)和深度学习方法(卷积神经网络)在构建滑坡灾害空间预测模型过程中出现的处理单元选择、超参数优化、类别不平衡等问题，最后建立了三种不同模型，并对不同模型的预测结果进行了对比分析。本文采用六个时间节点的数据作为输入，模型通过超参数的小范围波动将相邻时间节点联系起来，得到了“动态化模型”，从而实现了“动态危险性分析”。
　　(3)得出了区域滑坡灾害发育、空间分布特征。本文将2008、2010、2012、2014、2016、2018六个时间节点的数据输入到三种模型并得出结果，总结出区内滑坡灾害发育及分布特征。