钢铁企业安全评价的实质是复杂度较高的分类问题,采用传统的评价模型有一定的局限性,而神经网络的快速发展为构建更为完善的安全评价模型提供了新的途径,其中深度神经网络模型更是有着优异的特征学习和大规模数据拟合能力。故本文尝试引入深度神经网络方法,就“如何采用神经网络方法构建适合钢铁企业安全评价模型”这一科学问题展开了研究。本文主要工作如下:（1）通过两个途径辨识分析钢铁企业安全风险影响因素,一是对国内十二年来发生的83起钢铁企业安全生产事故统计分析,提炼事故高频原因。二是结合人-机-管-环理论改进HFACS模型,利用改进的HFACS模型全面识别钢铁企业安全影响因素。最后遵循指标构建原则对识别的风险影响因素进行筛选、修订,以构建钢铁企业安全评价指标体系。使用综合赋权法求得评价指标的权重,并且建立评价指标的评分标准,完成了定性指标的量化,为后续使用神经网络方法进行安全评价奠定数据基础。（2）构建基于深度神经网络的安全评价模型。其中,25维评价指标值作为网络的输入,安全评价结果为学习标签,网络输出对应5个风险等级。在此基础上,本文设计了深度神经网络模型的结构,来探究风险特性与安全等级之间的映射关系。（3）采用Tensorflow深度学习框架来实现基于深度神经网络的评价模型。通过实验不同参数的优化策略、不同隐藏层结构,以及不同激活函数等因素对模型安全评价性能的影响,来确定最优的模型结构。另外,通过与最近邻算法的评价效果进行对比,证明了神经网络模型在钢铁企业安全评价中的优越性。最后,对于参数随机初始化可能造成模型收敛困难的问题,本文还探索了先使用粒子群优化算法初始化网络参数,再借助反向传播算法训练模型的方式,来进一步提高评价模型的性能。图36幅;表40个;参考文献80篇。