泥石流危险性评价工作的科学准确,不仅是对当前泥石流所处状态的评估及未来发展趋势的预测,更是防灾减灾工作顺利进行的重要保证。随着各学科理论的发展完善,各种新技术、新方法在泥石流危险性评价领域的交叉应用越来越广泛。虽然从总体上来看泥石流危险性评价工作取得了丰硕的研究成果,但是由于大多数的学者更关注预测结果的准确与否,以致对单沟泥石流危险性评价模型和评价指标体系确定方法的特征和适用性、泥石流数据样本的不均衡性和空间变异性等对模型预测精度和泛化能力的影响机理等关键问题的研究还不够清晰明确。因此,开展的基于机器学习的单沟泥石流危险性评价的相关问题的研究工作,不仅有助于实现各学科技术手段的交叉融合,还对泥石流危险性评价工作中涉及到的评价模型选取、样本数据选择和指标体系构建等问题的解决具有指导意义。以北川县、都江堰龙池地区、云南省和黄河积石峡水库区等地的单沟泥石流为研究样本,基于人工神经网络、支持向量机、灰色关联度、决策树、粗糙集、主成分分析、重采样、欠采样和Adaboost算法等理论,系统全面的分析了机器学习类预测模型的特征及适用性、评价指标体系构建方法的特征及适用性、泥石流样本数据不均衡问题的处理方法和泥石流系统的空间变异性对预测模型泛化能力的影响机制这四个关键问题,得出以下研究结果:(1)总结了基于机器学习理论的单沟泥石流危险性评价领域的四个关键问题,同时针对具体的问题,确定了的主要研究内容,制定了合理的研究方案。(2)灰色关联度模型可以作为单沟泥石流危险性评价的首选预测模型;神经网络与支持向量机模型差异化明显,神经网络模型预测结果的准确率受样本不均衡程度的影响较大,而受样本数量的影响较小,而支持向量机模型受样本数量的影响较大,受样本不均衡程度的影响较小;决策树模型在单沟泥石流危险性评价过程中准确率较低难以得到广泛的应用。(3)粗糙集理论可以作为评价指标构建方法的首选处理手段,评价指标间相关程度较低时采用灰色关联度确定的评价指标体系所反映的信息更全面,建模效果更好;而评价指标与评价结果密切相关,但评价指标间的相关程度较高时主成分分析则更具有优势。(4)重采样手段可以作为样本数据不均衡问题处理首选方案;欠采样手段采用的测试样本数量较少,受样本数量的影响,所建立的预测模型准确率在一定程度上有所降低;BP-Adaboost算法当测试样本数量较少时,误差和经常为1或0,导致模型无法正常运行;若测试样本数量较多,采用重采样和BP-Adaboost算法结合的方法处理样本数据不均衡问题可能有更好的应用前景。(5)空间变异性主要通过控制不同地区相同评价指标的灵敏度进而影响模型的泛化能力,采用主成分分析构建新的评价指标体系可以有效地解决空间位置改变而引起的评价指标灵敏度的变化。