地震次生滑坡灾害易发性评价是区域防灾减灾的关键环节，对降低灾害风险、保障人民生命财产安全具有重要意义。甘肃省积石山县发生Ms6.2地震，引发了一系列地震次生地质灾害，为科学防控此类灾害、提升地质灾害易发性评价的精度，本研究以积石山县为研究区，聚焦地震次生滑坡的孕灾环境与触发机制，探索多机器学习模型在易发性评价中的适用性与可靠性。考虑到不同机器学习模型虽在易发性评价中展现出独特应用潜力，但存在处理复杂数据和应对实际问题的局限性，且传统评价因子选取主观性较强、滑坡负样本选择较为随意的问题，本研究首先从 14 个初始影响因子中，通过皮尔逊相关系数分析、方差膨胀因子检验结合重要性排序，剔除高相关性冗余因子，最终确定高程、坡度、坡向、平面曲率、剖面曲率、峰值地面加速度、距断层距离、工程岩组、距河流距离、距道路距离、归一化植被指数、土地利用类型共 12 个关键评价因子。随后，基于缓冲区法和信息量法构建负样本数据，分别采用随机森林（RF）、支持向量机（SVM）、极端梯度提升（XGBoost）三种机器学习方法，结合贝叶斯优化算法进行超参数优化，开展地质灾害易发性评价工作，并通过准确率、精确率、召回率、F1分数、SHAP准确度、ROC-AUC等指标评价模型预测效果。结果表明：利用缓冲区法构建的负样本数据集所训练的模型整体精度高于信息量法；三种算法中，SVM模型表现最优，AUC值达0.932，具备较强的预测稳定性；高程、归一化植被指数及工程岩组等因子成为影响次生滑坡易发性的核心要素；空间分布上，积石山地震次生滑坡易发性呈现“中间高、四周低”的格局，高易发性区集中于高山陡坡、深谷切割带及活动断裂带周边，此类区域地形破碎且岩土体稳定性差，地震触发滑坡的风险极高。研究成果可为积石山县地震影响区的滑坡灾害监测预警、应急避险规划及工程防治提供针对性的科学依据。

易发性评价,积石山,次生地质灾害,机器学习方法