地质灾害成因机理复杂、影响因素众多，深度学习作为当前人工智能领域的热点，能够更好地模拟地质灾害的形成并准确预测潜在危害，具有较为广阔的应用前景。为此，论文分别构建了基于卷积神经网络（CNN）和循环神经网络（RNN）的滑坡灾害易发性分析框架。对于CNN而言，本文首先构建了不同维度的滑坡数据表达形式，并提出三种基于CNN的滑坡易发性分析模式：基于CNN分类器、基于CNN与传统分类器的融合和基于CNN集成。实验结果表明：所有基于CNN的易发性分析模型都能够获得准确且可靠的滑坡预测结果。其中，无论是作为分类器用于易发性预测，还是用于特征提取并与传统分类器融合，基于二维数据的CNN模型都能获得最佳的预测精度。此外，异质集成策略能够大幅度提升基于CNN分类器的滑坡预测精度。对于RNN而言，本文建立了基于因子重要性排序的滑坡数据表达方式，并提出基于RNN及其变种的滑坡易发性分析模型。实验结果表明，四种RNN模型都能取得较好的易发性预测结果。

滑坡地质灾害,易发性分析,深度学习,卷积神经网络,循环神经网络