自三峡库区2003年开始蓄水以来,库区地质环境发生巨大变化,导致大量古滑坡复活和新生库岸滑坡变形,对当地居民生命财产安全及航道的正常通行造成了极大威胁。三峡库区重庆段面积约占整个三峡库区面积的85.6%,加之受地域性降雨的叠加影响,滑坡灾害问题日益突出。作为世界上滑坡灾害最为严重的地区之一,三峡库区地质灾害的研究和防治工作深受重视,因此,开展重庆段库岸边坡的稳定评估及位移预测研究能够掌握库区内边坡稳定影响因素,合理评价滑坡风险以及规避和缓解滑坡灾害提供科学依据,具有重要的社会价值和经济效应。基于大量统计资料,以重庆市云阳县地质灾害滑坡点为研究对象,利用机器学习方法研究了边坡基本特征对其稳定状态的影响规律,并以旧县坪滑坡为例,结合滑坡变形监测资料,分析了滑坡在季节性降雨和库水位波动的联合作用下的位移响应特征,对影响滑坡累积变形的关键因素进行合理选取,以进一步开展库岸滑坡的变形预测研究,主要内容如下:1.基于重庆市云阳县地质灾害详细调查报告,归纳总结了云阳县区域边坡稳定性影响因子特征,采用支持向量机分类（Support Vector Classification,SVC）模型、随机森林分类（Random Forest Classification,RFC）模型、极限梯度提升机（e Xtreme Gradient Boosting,XGBoost）模型及逻辑回归（Logistic Regression,LR）模型,依次构建了边坡稳定性评估模型。结果表明集成模型RFC及XGBoost模型对在基本稳定情况的召回率上表现良好,但在测试集上XGBoost模型表现泛化能力更好。2.以重庆市云阳县旧县坪滑坡为例,结合滑坡变形详细监测资料,揭示了滑坡变形形式为渐进后退式,且考虑到季节性降雨和周期性库水位调度的影响,对滑坡中前部阶跃变形最为明显的监测点YY0210进行变形特征研究,并基于目前滑坡变形状态,合理选取9个变形影响因素,引入机器学习方法构建滑坡位移预测模型。3.由于滑坡变形通常受到内外因素的共同影响,可将滑坡监测总位移可分为趋势项位移和周期项位移。采用移动平均法提取趋势项位移,其随时间呈递增变化,采用单变量门控循环单元（Gated Recurrent Unit,GRU）模型对进行预测,在训练集和测试集上R~2结果分别为1.00和0.99,与实际趋势项位移高度吻合,所建立模型的预测精度高、鲁棒性好。4.由于滑坡变形是一个动态演化过程,本文采用时间序列模型GRU模型对周期项位移进行拟合,与三种静态模型,即多元自适应回归线条（Multivariate Adaptive Regression Splines,MARS）模型,随机森林回归（Random Forest Regression,RFR）模型及神经网络（Artificial Neural Network,ANN）模型效果进行对比,选取均方根误差RMSE,平均绝对误差MAPE,偏离因子b作为评价指标,结果表明,GRU整体表现较好,其次分别为ANN模型,RFR模型及MARS模型。GRU模型可以捕捉到周期项变形趋势,在位移峰值点不会出现较大波动,与其他模型相比,该模型在训练集上RMSE值偏高,但在测试集上具有更好的预测能力。