边坡稳定性问题一直是岩土工程的一个重要研究内容，而边坡稳定性评价结果的正确与否直接关系到边坡工程的成败。传统的极限平衡法一直是工程中边坡设计和稳定性评价的重要方法，如瑞典条分法、毕肖普法、简布法等，这类方法有许多优点，如概念清晰、计算简便等。但传统的方法都是基于某种假定，主要表现在：假定土体是刚塑性体忽略了土体的非线性特性；忽略了影响土坡稳定性因素之间的非线性相互作用及孔隙水压力问题等。因而计算精度受到很大的影响。目前的数值分析方法(有限元法，边界元法、离散元法等)的精度非常依赖于岩土体的本构模型和参数，而且由于影响边坡稳定性的因素很多，且不确定性因素多，各种影响因素与稳定性系数之间又是一种强非线性关系，因此用一种简单的函数关系去描述这种非线性关系几乎是不可能的，所以分析和预测的结果也不是很精确。 目前很多学者结合人工神经网络及遗传算法和传统方法、数值分析方法，以此来构建一个优化模型，人工神经网络作为一种具有自学习性、自组织性的方法能够处理复杂的强非线性问题，已广泛应用于各个领域中的分类、评价、预测等问题。在边坡稳定性的评价研究中，人工神经网络也已有一些应用，但大多以经典BP神经网络为模型研究边坡的稳定性。而BP神经网络以梯度法为学习方法，学习速率慢，具有初值依赖性和局部收敛的缺点。经典遗传算法是基于二进制编码的基础上进行迭代的，它存在如下弊端：侯选解的编码过程是优化变量的离散化过程，这必然影响优化精度，同时也存在计算量和计算精度间的矛盾；求解过程中频繁编码和解码将导致计算工作量的增加；对于解空间域不定的优化问题求解困难。 基因表达式编程是C．Ferreira发明的一种新的遗传算法。基因表达式编程结合了遗传算法和遗传程序设计的优点，并克服了它们的缺点，在数学建模方面取得了非常好的效果。正因为其优点和良好的效果，使得基因表达式编程在并不漫长的时间里引起了演化计算领域的广泛关注甚至争议。本文详细介绍了基因表达式编程的基本技术，分析了其具有较高效率的根本原因在于其编码方式所具有的独特优势。本文采用基因表达式程序设计的分类方法对土质边坡稳定性进行分析和预测，分析和预测结果表明，基因表达式程序设计算法应用于边坡的设计和稳定性分析预测具有较高的可信度。