我国滑坡灾害主要集中发生在云南、贵州、重庆、甘肃、陕西等西部地区。滑坡灾害严重影响着当地经济和社会的发展,开展有效的滑坡防灾减灾工作,势在必行。随着人们对滑坡研究的不断深入,GNSS监测技术、位移计监测技术、测斜仪监测技术、降雨量监测、土壤温湿度监测等各种监测手段不断应用于滑坡监测中。如何综合利用这些监测数据,有效提高滑坡阶段判别与预测分析的准确性,是目前研究的难点和热点。多源数据融合技术,能够将多源传感器采集到的滑坡监测数据进行综合分析,得到一组准确反映滑坡变形阶段的融合数据。因此,本文以甘肃省临夏市永靖县黑方台党川7#滑坡体为例,通过对滑坡多源监测数据进行分析,将数据级融合算法和特征级融合算法分别应用于滑坡阶段判别和预测研究中。本文主要研究内容及成果如下:（1）介绍多源数据融合的基本理论方法,包括定义、原理、结构;然后对滑坡监测中的多源数据融合进行阐述,总结其特点和存在的问题。（2）介绍常用的4类滑坡监测技术,并以地表监测为例介绍了滑坡监测中常用的3种数据采集传输手段,最后结合相关学者对滑坡监测数据预处理的比较,总结出滑坡地表监测中最常用的3类数据预处理方法。（3）针对滑坡监测中采用单一位移传感器数据进行阶段判别时存在监测数据片面导致预警结果不可靠的问题,提出采用加权融合法对全球导航卫星系统接收机和位移计采集到的滑坡地表形变数据进行融合处理,并将融合后的数据用于滑坡阶段判别分析。实验结果表明:自适应加权估计融合算法和改进的粒子群优化自适应加权融合算法均能对滑坡地表位移形变数据进行有效融合;在对滑坡阶段判别分析中,改进的粒子群优化自适应加权融合结果较自适应加权融合结果更具可靠性和准确性。（4）针对目前多数滑坡预测只对滑坡体上某一个地表位移监测点采集到的变形时间序列进行分析,没有将监测位置周围环境因子综合利用进行预测这一问题,提出基于聚类-逐步回归分析多源异构滑坡监测数据特征级融合模型。实验结果表明:聚类-逐步回归分析模型能够对滑坡多源异构监测数据进行有效融合;采用3种预测算法分别对GNSS监测点HF06数据、BP神经网络数据融合数据和聚类-逐步回归分析融合数据进行预测比较分析。聚类-逐步回归分析融合数据预测结果较好,且采用多因子LSTM模型对聚类-逐步回归分析融合数据预测精度较高,MAE和MRE分别为8.2mm和2.82%,可见特征级融合后进行预测能够有效提高滑坡预测精度。