La escasez de muestras de deslizamientos de tierra plantea un desafío crítico, obstaculizando la amplia aplicación de técnicas de aprendizaje automático en la evaluación de la susceptibilidad a deslizamientos de tierra (LSA). Para abordar este problema, este estudio introduce un enfoque novedoso que aprovecha una red generativa adversarial convolucional profunda (DCGAN) para la augmentación de datos, con el objetivo de mejorar la eficacia de varios métodos de aprendizaje automático en LSA, incluidos las máquinas de soporte vectorial (SVM), las redes neuronales convolucionales (CNN) y las redes neuronales residuales (ResNets). Los resultados experimentales presentan mejoras sustanciales en los tres modelos, con una precisión mejorada del 2.18%, 2.57% y 5.28%, respectivamente. La validación en profundidad basada en un gran conjunto de datos de imágenes de deslizamientos de tierra demuestra la superioridad del DCGAN-ResNet, logrando una notable precisión de predicción de deslizamientos de tierra del 91.31%. En consecuencia, la generación de muestras suplementarias a través del DCGAN es una estrategia efectiva para mejorar el rendimiento de los modelos de aprendizaje automático en LSA, subrayando la promesa de esta metodología en el avance de los sistemas de alerta temprana de deslizamientos de tierra en el oeste de Sichuan.