地质灾害是自然灾害的一个重要灾种,世界各国都不同程度地存在各类地质灾害,地质灾害风险评价与管理是当今国际减灾战略的核心任务之一。中国幅员辽阔,地势起伏大,地貌类型和自然景观繁多,是世界上地质灾害最严重的国家之一,每年都会发生滑坡、崩塌、泥石流、地面塌陷等地质灾害。大量研究表明,降雨是诱发地质灾害最主要的活跃因素之一。其次随着气候变化的影响、社会经济的发展和人类活动的加剧,使得各类地质灾害的发生频率呈现上升趋势,对人民生命财产和社会经济发展带来严重消极影响。随着对滑坡与环境因子非线性动态系统的深入研究,以机器学习为代表的数据驱动方法实现滑坡易发性评价成为当前研究重点,滑坡易发性评价是实现滑坡发生空间概率的主要途径,是表征地质灾害在空间维度发生可能性的指标。但主流随机采样非滑坡单元选取方法和评价模型选取存在随机性和不确定性。同时,降雨型滑坡临界降雨阈值主要关注滑坡发生的时间概率,但现有预测降雨型滑坡时间概率的临界降雨阈值模型误报率较高。因此,开展降雨诱发下的区域滑坡地质灾害风险评价、预警技术和管理对策研究,为防灾避灾、减灾规划和预案编制提供科学依据和技术支撑具有现实意义。针对上述存在的问题,本文以广州市黄埔区为研究区域,开展基于机器学习的滑坡易发性评价与临界降雨阈值研究,主要研究内容和研究成果如下:（1）综合考虑基础环境数据与现场详察数据,分析总结滑坡时空发育特征。本文提取的因子包括研究区的高程、坡度、坡向、地形起伏度、地貌类型、地层岩性、土地利用类型、平均年降雨量等共计16个致灾因子,通过定量计算各致灾因子滑坡密度、信息量、频率比表征研究区滑坡易发性条件。（2）将滑坡易发性建模过程视为正例无标记学习,提出一种耦合信息量和间谍技术（Spy algorithm,Spy）的改进两步法卷积神经网络非滑坡单元筛选框架（Spy algorithm ensembled information value model,ISpy）。研究结果表明,采用ISpy的机器学习模型ROC精度与随机采样和传统Spy算法比较分别提升约1.9%～3.1%和5.4%～5.8%,可靠负例样本噪声数据减少,样本纯度得到提高,分类效果进一步得到优化。（3）通过搭建支持向量机（SVM）、随机森林（RF）和卷积神经网络（CNN）滑坡易发性评价模型,对比得到较优的滑坡易发性评价流程和方法。研究结果表明,滑坡易发性正例无标记学习第二步采用CNN模型的频率比精度高于RF和SVM模型,滑坡易发性区划的分布较为合理。模型准确率随训练样本数量增加呈幂函数增长趋势,与随机采样和传统Spy技术相比,增加相同数量训练样本,ISpy框架筛选的样本集表现出较高的稳定性、预测精度和增长率。（4）通过分位数回归法分别计算出滑坡事件降雨量—降雨历时（E-D）阈值、归一化滑坡事件降雨量—降雨历时（EMAP-D）阈值、基于地层岩性划分的E-D阈值。通过分析滑坡失效当日降雨量与不同时间段前期累计降雨量的关系,提出耦合前期20天累积降雨量的三维临界降雨（CED）阈值。研究结果表明,CED阈值能有效降低由于非触发滑坡的降雨事件引起的误报率,具有更优越的ROC性能。