我国重大滑坡事件频发,滑坡灾害安全问题突出,滑坡减灾防灾形势严峻。由于三峡工程的建设,使得三峡库区成为了我国滑坡灾害的重灾区。为了尽可能避免或者减轻滑坡灾害的损失,滑坡变形的预测尤显重要。本文在总结前人研究的基础上,认为滑坡变形预测的精度可提高,预测的途径可拓宽,预测的方式可更新。本文运用深度学习和统计学习方法,从滑坡位移量预测、滑坡位移区间值预测、滑坡短期变形趋势预测、滑坡季节性变形识别、滑坡季节性变形响应阈值分析和滑坡变形的时间-空间预测等六个方面出发,尝试构建库岸滑坡变形预测方法的模型体系。研究选择白水河滑坡、木鱼包滑坡、树坪滑坡这三处典型的库岸滑坡为案例,开展的工作和取得的结论如下:（1）滑坡变形数据的时间序列分析:首先,运用小波分析将滑坡位移增量数据分解为周期项和残差项;随后对所获分项数据的季节性特征进行时间序列分析;最后基于皮尔逊相关系数分析滑坡位移增量数据与诱发因素的滞后关系。计算表明,小波分析获取的计算结果质量较高,输出的时间序列连续且完善;周期分项和位移增量周期性明显,残差分项却无规律可言;滞后性分析的结果揭示了滑坡变形和诱发因素的滞后性关系,为位移预测模型的输入选择提供了依据。（2）滑坡位移量预测和区间值预测:以多种机器学习和深度学习算法为研究方法,引入不确定性,建立了滑坡位移预测模型。该模型首先比较多种机器学习和深度学习算法的预测表现,择优而选作“元件”;随后,选用弹性网络为“打包器”,耦合多个“元件”构建集成算法;升级参数的优化检验方法为嵌套交叉验证;引入不确定性概念,对产生的变形进行了区间预测。通过案例计算可知,基于集成耦合思路构建的EN-LSTM-RNN算法预测精度最高,预测区间值的准确度为100%。（3）滑坡变形短期趋势预测:基于Hurst指数模型建立了滑坡短期变形趋势预测模型,就本文研究对象库岸滑坡而言,短期趋势预测关注滑坡的季节性变形。本文尝试运用滑坡位移增量和位移预测的误差,建立Hurst指数模型。文中分别以滑坡位移增量和计算误差为输入,计算Hurst指数。计算表明,以EN-LSTM-RNN算法的计算误差为输入,获得的Hurst指数的游走现象具有较强预判能力,为滑坡变形短期趋势预测提供了途径。（4）滑坡季节性变形识别与响应阈值提取:库岸滑坡的变形量主要表现在季节性变形上,其季节性变形往往产生较大的位增量,开展季节性变形识别和阈值的分析具有一定的减灾防灾意义。本文运用EWMA control chart方法建立了滑坡季节性变形识别模型;运用Copula函数,分析滑坡位移和诱发因素之间的相依性,并提取响应阈值。通过案例分析,所建立的滑坡季节性变形识别模型能准确识别季节性变形,其准确率达100%;Gumbel-Hougaard Copula函数能较好描述诱发因素和滑坡位移间的相依性关系,并成功获取了变形诱发因素的响应阈值。（5）滑坡变形时间-空间分析预测:本质上,滑坡的变形是一个时间-空间的演化过程,所以对其变形进行时间-空间分析预测十分必要。本文该部分,首先,构建了位移增量的时间-空间矩阵,以量化滑坡变形的时-空关联;随后,运用贝叶斯回归网络,补全位移数据的缺失值;然后,基于自回归模型和时-空权重,构建了时-空模型,从时间-空间的角度出发预测滑坡变形;最后,研究并确定了滑坡位移增量数据的概率分布函数,提取p=0.95的阈值。计算表明,滑坡变形的时间-空间信息被挖掘;时-空模型具有预测表现较好、模型原理简单、数据要求较低和计算量较小的优势;提取的阈值在一定程度上量化了滑坡的“大变形”。