随着滑坡多源信息获取手段的不断改进以及空间数据库技术、人工智能方法的飞速发展，在空间数据挖掘与知识发现的基础上，结合数据挖掘与人工智能技术实现滑坡灾害空间预测，提高灾害调查及预防的精度和效率，是当前滑坡灾害预测研究的趋势。　　 本文以空间数据挖掘实施方案的角度进行区域滑坡空间预测，选取了两种最具有代表性的数据挖掘方法--决策树和人工神经网络为实例，对滑坡空间预测模型的构建过程和结果的评价展开研究，具体内容如下：　　 第一，本研究通过系统地收集研究区各种相关资料，包括地质图(1:5万和1:20万)、地形图(1:5万)、地质灾害点信息、遥感数据等。　　 第二，在低层次的粒度世界中，根据栅格单元划分，利用遥感及GIS技术提取滑坡灾害相关因子，包括土壤相对湿度、植被覆盖、土地利用、坡度、坡向等；采用多元统计相关分析方法去除滑坡预测因素中的冗余因素，在ArcGIS中建立面向滑坡预测的空间数据仓库，实现数据的清理和转换。　　 第三，在保留法的指导下，引入训练集和测试集，对采集的样本进行抽取，为模型的评估与验证提供数据支撑；结合滑坡空间预测的实际应用，通过分析滑坡预测结果错误分类的成本问题，提出了滑坡空间预测模型的准确性评估原则。　　 第四，采用C5.0决策树算法，建立基于决策树的滑坡空间预测模型；依据实际需求和模型的准确性评估原则，对决策树模型的成本矩阵和修剪程度进行调整，形成修正改进的模型；将调整后的决策树模型对滑坡空间预测判据进行挖掘，实现基于知识推理的滑坡空间预测，得到易发性分区结果图。　　 第五，采用改良的BP神经网络算法，建立基于神经网络的滑坡空间预测模型；经多次试验和分析，得到对当前研究问题复杂度更加有效、可行的神经网络模型结构和参数；利用优化后的BP网络模型，实现基于神经网络的空间预测及易发性评价。　　 第六，将调整后决策树模型和神经网络模型进行比较，得出以下结论：　　 1、从模型的分类预测精度来看，基于决策树方法的滑坡空间预测模型有着精确度较高、风险成本低、可控性强的优点。　　 2、从易发性评价的结果来看，两者均与17个验证样本基本吻合，其中基于决策树的滑坡易发性评价结果在实际应用中的风险成本控制表现较好。