近年来,国内外报道了大量破坏性地震,地震过程中造成的大面积砂土液化以及液化后产生的侧向位移,给当地居民造成了巨大的财产损失。目前国内外砂土液化判别与侧移预测主要依靠SPT和CPT两种现场勘测试验,但得出的液化判别法和侧移预移经验模型相对简单,需提供更精确的预测模型。剪切波速法具有无破损、测试速度快且费用较低等优点,同样可用于砂土液化判别。循环神经网络（Recurrent Neural Network,RNN）是一种处理和预测序列数据的递归神经网络模型,其优势在于解决识别分类和拟合预测问题,因此将其用于地震液化的判别以及液化后的侧移预测。本文主要研究内容如下:1、查阅国内外相关文献资料,确定四种工程中常用的剪切波速液化判别公式,根据我国巴楚、台湾、唐山大地震的相关数据,采用不同方法进行液化判别。结果表明:Andrus法在巴楚、台湾、唐山地区的总体判别率稳定;岩规法与双曲线法在唐山地区判别率较高,区域适用性显著;水利地质勘查法在三个地区的液化场地判别率均超过90%。2、选取8个参数作为液化判别因素,提出了一种基于改进自适应算法（Rectified Adam）和循环神经网络模型（RNN）的地震液化预测模型（RA-RNN模型）。采用4项指标对模型进行评价,并与Adam-RNN和SVM模型进行对比。研究结果表明:当RA-RNN模型的隐含层节点数为20、学习率为0.01时预测效果最好,且预测效果优于Adam-RNN和SVM模型。在判别过程中,RA-RNN模型对标贯击数和细粒含量最为敏感。3、根据Youd提出的侧移影响因素,采用改进自适应算法优化循环神经网络（RARNN）对缓坡液化场地侧移量进行评估。通过预测土耳其科喀艾里和台湾集集地震缓坡侧移验证RA-RNN模型性能,并与多元线性回归法预测结果进行对比。研究结果表明:RARNN模型预测侧向位移量大多位于0.7～1.3倍实测值之间,证明了本文方法的合理性和可靠性。对比传统模型,RA-RNN模型在较小或为零的液化侧向位移预测方面有较大改进,具有更好的预测效果。4、搜集新西兰Darfield地区地震液化数据,选取6个代表性钻孔作为所提方法的验证数据。结果表明:Andrus法在该地区的总体判别率稳定,RA-RNN模型的判别率高于剪切波速法,其侧移预测结果与实测值接近,相较于传统模型具有更高的预测精度。