滑坡灾害具有规模大、分布广、破坏性强等特点,对国民经济和人民财产安全造成不可估量的损失。根据国家减灾网与自然资源部统计,2018至2021年间,地质灾害发生总数约36780起,滑坡占比84%,约为30895起,造成直接经济损失达287.25亿。因此,针对滑坡高发地区构建滑坡敏感性评价模型并绘制滑坡敏感性评价地图,对推进防灾减灾救灾机制建设、规避滑坡灾害风险、保障地区经济发展与人民财产安全具有重要意义。贵州省具有典型的喀斯特地貌,且常年雨水充沛,具备滑坡发生的内外因素。2019至2020年间,发生滑坡数占全省地质灾害总数的76.8%,属滑坡高发地区。本文以贵州省大方县为研究对象,搜集大方县2015-2020年滑坡数据,挖掘适于研究区特点的滑坡敏感性特征,采用多种机器学习算法构建大方县滑坡敏感性评价模型,并结合Arc Gis软件进行制图表达。本文主要研究内容如下:（1）以大方县为研究区域,对大方县地形地貌、气象水文、地层岩性、地质构造等因素进行调研,挖掘诱发大方县滑坡的相关环境特点。结合全球滑坡成因共性和大方县特点,以30m×30m的栅格作为最小研究单位,搜集不同来源的栅格、文本、矢量等数据,整理并初筛适用于大方县的1018例滑坡样本和基础环境数据。（2）根据大方县的基础环境数据,进行滑坡数据集的特征工程。利用Arc Gis软件与基础数据进行图层叠加与计算,构造影响大方县滑坡敏感性的特征,并结合Arc Gis进行制图表达。通过方差膨胀系数（VIF）和信息增益（IG）对特征进一步选取,其岩层深度、密度、NDVI的IG指数均小于0.01。经特征选择后,大方县原始滑坡数据集规模确定为1018例样本、12个特征。（3）为解决数据集不平衡问题对模型构建过程中带来的问题,采用Borderline-SMOTE算法对数据集按4:3比例采样,同时结合不同算法特点进行数据清洗、转换等预处理。采用逻辑回归、支持向量机、随机森林、XGBoost、Cat Boost、神经网络6种算法分别构建大方县滑坡敏感性模型。实验对比表明,Cat Boost模型显著高于其他模型,AUC指标为0.899,高于其它模型1%-9%,标准差为0.009。（4）为进一步提高大方县滑坡敏感性评价模型的准确性与鲁棒性,根据单个模型的AUC排序结果,选取最佳的三个模型Cat Boost、NN和XGBoost,采用两种集成思想,即加权平均和Stacking,对三个模型进行融合及对比评估结果,其中基于Stacking集成思想的融合模型对比Cat Boost在AUC上提升1.1%、F1-score上提升1.3%。最后,利用Arc Gis绘制大方县滑坡敏感性评价地图。