滑坡灾害对环境、资源均构成巨大威胁,并且给人们生活带来重大影响。滑坡发生受降雨等多种诱发因素作用,降雨本身具有不确定性,传统方法无法实现准确刻画,给滑坡危险性预测带来了一定的挑战,因此寻找一种科学有效的预测方法具有非常重要的实践意义。数据挖掘中聚类算法能将有较高相似度的数据划分为一类,可以根据已知信息去预测未知事物,本文选用快速搜索和密度峰值聚类算法(CFSFDP算法)作为基础算法,引入t近邻信息定义相对密度作为一种新的度量对象点密度的标准,优化数据集中聚类中心的选择,克服了数据分布不均匀时聚类中心选取依赖于设置密度阈值的缺陷;利用网格划分和类合并思想避免了聚类时使用全局阈值的局限性,实现对大规模数据的有效处理;根据上述理论提出了一种基于网格和相对密度的算法(GM-CFSFDP),可实现对大规模和密度分布不均匀数据集的处理,综合考虑滑坡灾害的特性,构建滑坡危险性预测模型进而对滑坡危险性等级进行预测。滑坡的发生是由多种因素共同作用而成,其中一个重要因素降雨的取值在一个区间范围内,具有不确定性,使得GM-CFSFDP算法在滑坡危险性预测中不能对其准确的处理。为了解决降雨等不确定因素难以有效处理的问题,首先引入不确定数据模型,考虑区间范围内点与点之间的差值,拓展传统Euclidean距离,设计E-ML距离,实现对不确定数据的有效处理。然后把E-ML距离引入GM-CFSFDP算法,提出不确定UGM-CFSFDP算法,通过在不确定仿真数据集上的实验,其结果表明不确定UGM-CFSFDP算法具有更高的聚类质量。最后构建不确定UGM-CFSFDP算法滑坡危险性预测模型对延安宝塔区进行预测,结果证明不确定UGM-CFSFDP算法可以取得较好的预测精度,从而验证了该算法在滑坡危险性预测中的可行性和先进性。