砂土液化问题一直是当今岩土工程和地震工程的重要课题之一。震害调查显示,液化作为地震灾害的一种形式,往往会引起地基承载力丧失、基础不均匀沉降、边坡流滑、侧向位移以及结构的破坏,造成严重灾害和人员伤亡。其中侧向位移使液化区建（构）筑物、道路、桥梁、管线等基础工程设施发生严重的破坏,并且往往会引起火灾等次生灾害,这种破坏比液化导致的其他任何类型破坏更加严重。因此,研究地震液化侧移问题,建立可靠的液化侧移预测模型,合理量化评估场地液化侧移程度,对震害防控来说是非常有必要的。在此背景下,本文创新的引入了地震参数累计绝对速度、提出了先分类后预测的预测方法,展开如下研究:（1）在Youd教授2002年所整理的地震液化侧移数据库基础上添加了1999年土耳其科贾埃利地震和1999年台湾集集地震的数据,对数据库中各参数进行了分布统计以及相关性分析。（2）将上述数据库中的液化侧移数据样本随机分为两组,分别用于训练和验证径向基函数神经网络（RBFNN,Radial Basis Function Neural Networks）模型。为了提高预测的准确性,利用社会群体优化算法（SGO,Social Group Optimization）对神经网络参数进行优化。通过可决系数、均方根误差、平均绝对误差三项预测效果评估指标对SGO-RBF神经网络预测结果和2002年Youd等人以及2006年Javadi等人提出的经验公式预测结果进行对比,验证SGO-RBF神经网络对地震砂土液化侧移问题的学习及预测能力。（3）总结前人提出的地震灾害预测相关参数,选取峰值加速度（PGA,peak ground acceleration）、阿里亚斯强度（Ia,Arias Intensity）、累计绝对速度（CAV5,Cumulative Absolute Velocity）这三个具有代表性的地震动参数进行分析。选取合适的衰减公式对参数Ia、CAV5进行拟合,为已有数据库添加了新的参数。分别通过PGA、Ia、CAV5代替震级（M）、震中距（R）对地震砂土液化侧移预测来验证参数PGA、Ia、CAV5的有效性。结果证实:CAV5有效的降低了地震液化侧移预测的误差,PGA、Ia对M、R有良好的替代作用。（4）将数据库中的液化侧移数据根据侧移程度分为0≤Dh<2m和hD≥2m两类,通过SGO-RBF神经网络分别进行训练和预测并与未分类预测结果对比,证实分类预测的可以提高预测的准确性;使用支持向量机（SVM,Support Vector Machine）的方法对数据进行分类并通过查准率和查全率对分类效果进行评估;将SVM分类的测试组数据通过分类训练的SGO-RBF神经网络模型进行预测,证实了先将待测数据使用SVM分类再通过SGO-RBF神经网络预测的可行性。