滑坡和泥石流等地质灾害给社会经济发展、群众生命和财产安全带来了巨大的影响。重庆市云阳县位于我国西南、重庆东北部,地势处于第一阶梯,山多坡陡是云阳县地形的特点,夏天受强降雨和三峡库区水位影响,区域内地质灾害频发。本文选择重庆市云阳县薛家沟周围地区作为研究区,利用极限平衡法模型对边坡稳定性进行研究。本文以分布式水文模型作为下垫面土层含水量计算模型;采用深度神经网络（DNN）来学习土壤含水量、地形坡度、岩土分布与滑坡之间的关系。由此建立滑坡预测模型,本文的主要研究内容如下:（1）依据研究区域的降雨资料和产流系数等资料,构建分布式水文模型。依此分布式水文模型,可以模拟计算时序降雨数据条件下,研究区域土壤含水量的变化过程。研究流域属于无径流资料区域,因此本文首先依据分布式水文模型计算研究区的产流系数,通过与实测产流系数对比来较正模型的参数。研究区近10年的计算产流系数接近0.40,比实测产流系数为0.41,说明本文构建的模型对本流域的产流具有较强的模拟能力。（2）依据研究区域的岩土力学资料和已有研究成果,构建滑坡极限平衡法模型。通过此模型对薛家沟选取3种不同降雨条件下的边坡稳定性进行分析。随着降雨量的增多,区域内不稳定的栅格数量开始增多。当研究区降雨量为0时,区域内不稳定栅格的数量占比小于0.2%;而当降雨量为35mm时,区域内不稳定的栅格增加到1.08%;当降雨量为70mm时,区域内不稳定的栅格增加到1.38%;当降雨量持续增加时,区域内部不稳定的面积并不会增加一直持续增加,而是维持在一定数量。滑坡也和坡度的大小存在一定关系,坡度越大的区域不稳定区域占比越大,极陡坡区域全部处于非稳定状态,不稳定区域占比最大;陡坡区域大部分都处于非稳定状态,占比超过了陡坡区域的2/3;而在坡度小于15°的微坡始终都没有出现不稳定的栅格,说明当坡度较小时,一些边坡在强降雨影响下并不会发生滑坡。（3）本文选取传统的前馈浅层神经网络（BP-ANN）和深度神经网络（DNN）分别对区域滑坡进行预测。分别探讨了两种模型算法的最佳隐含层神经元数量,BP-ANN模型的最佳隐藏层神经元节点数量为21,DNN模型的最佳隐藏层层数量为6,6层的神经元节点分别20、32、30、30、30、10。训练过程中BP-ANN模型出现纳什系数最小为0.521,最大为0.758。DNN模型在调整第6层隐藏层时纳什系数最小为0.610,最大为0.805。对比分析了两种神经网络的结果,发现DNN模型的纳什系数更好,说明模型更能挖掘数据之间的特征信息,在预测滑坡方面效果更好。