El aprendizaje profundo puede extraer información característica compleja y de alta dimensión con su estructura profunda, explorando de manera efectiva la compleja relación entre los deslizamientos de tierra y sus numerosos factores influyentes, y, en última instancia, predecir con mayor precisión los desastres por deslizamientos de tierra futuros. Este estudio construye un método de mapeo de susceptibilidad a deslizamientos de tierra (LSM) basado en aprendizaje profundo, compara el método de muestreo de razón de frecuencia (FR) con un método de muestreo aleatorio con buffer, y realiza operaciones de re-muestreo de muestras de deslizamientos de tierra y no deslizamientos de tierra para explorar la aplicabilidad del aprendizaje profundo en LSM. Además, se seleccionaron seis índices: precisión, exactitud, recuperación, ROC y la media armónica F1 de exactitud y recuperación para una comparación cuantitativa. Los resultados muestran que tanto el método de re-muestreo propuesto en este documento como el método de selección de muestras no deslizantes basado en FR pueden mejorar significativamente la precisión del modelo, con el área bajo la curva (AUC) aumentando entre un 1.34-8.82% y un 3.98-7.20%, respectivamente, y el valor de AUC puede mejorarse entre un 5.32-9.66% al combinar los métodos de selección FR y re-muestreo. Además, todos los modelos de aprendizaje profundo construidos en este estudio pueden obtener resultados de análisis de susceptibilidad a deslizamientos de tierra precisos y confiables en comparación con los modelos tradicionales.