El modelado de susceptibilidad a inundaciones ayuda a entender la relación entre los factores influyentes y la ocurrencia de inundaciones urbanas y además proporciona la distribución espacial del riesgo de inundación, lo cual es crítico para la reducción del riesgo de inundaciones. Los métodos de aprendizaje automático se han aplicado ampliamente en el modelado de susceptibilidad a inundaciones, pero el aprendizaje supervisado tradicional requiere tanto muestras positivas (inundación) como negativas (sin inundación) en el entrenamiento del modelo. Los datos históricos de inventario de inundaciones suelen contener solo datos positivos, mientras que los datos negativos seleccionados de áreas sin registros de inundaciones son propensos a ser contaminados por datos positivos, lo que se conoce como muestreo caso-control con controles contaminados. Para abordar este problema, proponemos aplicar un novedoso algoritmo de aprendizaje positivo-no etiquetado, a saber, aprendizaje positivo y de fondo con restricciones (PBLC), en el modelado de susceptibilidad a inundaciones. PBLC entrena un clasificador binario a partir de muestras positivas y no etiquetadas de caso-control sin requerir datos negativos verdaderamente etiquetados. Con registros históricos de ubicaciones de inundaciones y covariables ambientales, incluyendo elevación, pendiente, aspecto, curvatura del plano, curvatura del perfil, factor de longitud de pendiente, índice de potencia de corriente, índice de posición topográfica, índice de humedad topográfica, distancia a ríos, distancia a carreteras, uso del suelo, índice de vegetación de diferencia normalizada y precipitación, comparamos el rendimiento de la red neuronal artificial (ANN) tradicional y el novedoso PBLC en el modelado de susceptibilidad a inundaciones en la ciudad de Guangzhou, China. Los resultados experimentales muestran que PBLC puede producir predicciones probabilísticas más calibradas, predicciones binarias más precisas y mapeo de susceptibilidad más confiable de inundaciones urbanas que la ANN tradicional, lo que indica que PBLC es efectivo para abordar el problema del muestreo caso-control con controles contaminados y puede aplicarse con éxito en el mapeo de susceptibilidad a inundaciones urbanas.