随着我国建设规模不断扩大,投资持续增长,建筑业施工人员也逐渐增多,随之而来的生产安全事故也稳步上升。从生产安全事故调查报告中发现事故普遍由人的不安全行为引发,因此识别建筑施工人员的不安全行为能够有效减少生产安全事故带来的人员伤亡与财产损失,是维系建筑业健康持续发展的关键。本文基于深度学习理论,利用文本挖掘和图像识别技术对建筑施工人员的不安全行为进行识别。识别流程分为不安全行为特征词提取、行为识别、行为预警三部分。首先从近5年建筑业发生的生产安全事故出发,利用文本挖掘技术对事故发生原因进行特征词提取,特征词结构为事故发生位置、引发事故的不安全行为、事故类型。最后对提取后的特征词进行分类和整理,形成建筑施工人员不安全行为清单。然后依照第一步形成的建筑施工人员不全行为清单,对施工现场的建筑施工人员的行为进行识别,判断行为是否安全。第一阶段,在Tensor Flow、pytorch深度学习平台下,利用python语言搭建faster R-CNN、yolo网络框架,对建筑施工人员安全防护用具进行识别。第二阶段,利用faster R-CNN网络框架对建筑施工人员图像信息进行提取保存,再使用卷积神经网络对建筑施工人员作业行为进行分类和预测。第三阶段,建筑施工场所危险区域人员检测。利用yolo网络对危险区域人员进行识别和跟踪。本文利用目标检测技术分三阶段针对3类常见的建筑施工人员的不安全行为进行识别。之后利用BIM技术建立施工人员不安全行为预警模型,将安全防护用具检测、建筑施工人员作业行为检测以及危险区域人员检测结合,构建基于BIM的安全预警模型。最后通过对不安全行为特征词的提取、不安全行为识别以及预警模型的建立三部分对本文的主要结论和展望进行论述。通过本文的研究可以有效减少由于人的不安全行为导致的生产安全事故,为安全管理人员提供了新的管理技术和思路。