在边坡的稳定性预测和评价方法中,传统的数值分析法计算量大,对经验的依赖性强,无法体现边坡动态开放和非线性的特征。本文针对岩质边坡稳定性的评价问题,基于反映岩体非线性破坏的广义Hoek-Brown准则,综合考虑了强度参数和几何参数等影响边坡稳定性的因素,建立了基于改进蝙蝠算法的广义回归神经网络（GRNN）模型,对边坡的安全系数和状态进行了预测;在综合考虑外部自然因素、地质因素和工程因素的基础上,建立基于减法聚类的自适应神经模糊推理系统,对边坡的稳定性进行分级评价。具体研究内容如下:（1）以工程中的实际边坡为参照,通过改变Hoek-Brown准则中的强度参数和边坡几何形态的几何参数,同时通过强度折减法(FLAC3D软件)和极限平衡法中的简化Bishop法（Slide软件）,对参数改变后的坡体进行建模和仿真,得到各个边坡的安全系数,作为人工神经网络的样本来源。（2）在边坡稳定性分析中,安全系数和边坡状态是判断边坡稳定性的重要指标。广义回归神经网络结构简单,预测效果好。在实际工程中,选择广义回归神经网络作为预测模型,由于广义回归神经网络模式层的光滑因子对网络影响较大,采用蝙蝠算法（BA）确定光滑因子的取值;采用交叉和变异算子增加蝙蝠种群的多样性,解决蝙蝠算法迭代过程中陷入局部最优的问题。对比实验表明,改进后的网络对边坡安全系数和状态预测精度更高。利用网络对不同强度参数和几何参数的边坡进行稳定性预测,所得安全系数变化趋势与实际情况呈现良好的一致性,进一步验证网络的适用性和准确性。（3）在实际边坡工程中,除了考虑边坡自身强度参数和几何参数的影响外,还要充分考虑自然因素、地质因素和工程施工因素等随机性和不确定性因素对边坡稳定性的影响。针对各影响因素与边坡稳定性间具有复杂模糊性和非线性关系,应用基于神经模糊推理系统（ANFIS）的预测模型对其稳定性等级进行预测。首先将搜集到的边坡数据利用减法聚类算法（SCM）确定自适应神经模糊系统的隶属度函数个数,利用改进BA算法确定减法聚类中的两个邻域半径。最终建立改进BA-SCM-ANFIS边坡稳定性评级模型,在进行网络参数更新时,利用自适应动量随机优化算法（Adam）代替传统的梯度下降法,加快参数更新速度,网络预测样本的输出等级与实际等级的评价结果与实际吻合,证实了网络的有效性。综上所述,本文针对边坡破坏过程中的非线性问题,分别采用改进后的GRNN网络模型和基于ANFIS的预测模型进行边坡的稳定性预测和评价。