滑坡是一种破坏性极高的地质灾害,全球范围内滑坡灾害频发,对人们的生命财产安全造成了严重威胁。因此,基于滑坡监测系统提供的基础数据,深入研究滑坡演化状态的预测及其控制,降低滑坡灾害的影响,理论意义和现实意义显著。滑坡作为非线性动态系统,演化形变机理复杂未知,可获得实际数据量较少。长短时记忆网络适用于对动态系统进行建模,多任务学习借助信息共享在一定程度上可以缓解小样本问题。本文将多任务学习引入滑坡演化状态预测和控制研究中,并在白水河和石榴树包滑坡上进行实例分析。首先,提出滑坡演化状态级别分类预测问题,定义两种滑坡演化状态,使用高斯混合模型（GMM）重构带标注数据集,建立基于多任务学习-堆叠长短时记忆网络（MTL-SLSTM）的滑坡演化状态级别预测模型,使用任务权重规则设计多任务损失进行网络训练,实现了单一监测点演化状态的高精度并行多步预测;其次,考虑同一滑坡体上不同监测点的时空关联性,分析时空数据并构建时空特征,结合多任务权重学习、多任务关系学习方法,设计多任务关联学习机制并构建时空关联,建立基于多任务关联学习-堆叠长短时记忆网络（MTCLSLSTM）的滑坡多点预测模型,以较高的精度实现对多个监测点演化状态的单步预测;最后,基于滑坡演化状态预测,引入神经直接逆控制思想,提出滑坡降级控制方法,搭建使用模型选择策略的基于Bootstrap的区间预测网络（S-BS-PIs）,离线训练安全降雨区间预测器,结合滑坡演化状态级别预测器,设计在线降级控制流程,实现了对危险滑坡单一监测点的单步控制。本文重点研究了滑坡预测和滑坡控制两个关键问题。利用神经网络和多任务学习方法进行滑坡演化状态预测,并通过数据驱动的控制方法获取有效的控制变量,从而为滑坡防治提供预警信息和参考方案。