矿工的不安全行为是导致煤矿安全事故发生的最主要原因,因此,从矿工行为出发,对煤矿安全生产进行治理与改善,是解决煤矿安全问题的根本途径之一。随着物联网技术与人工智能的发展,针对人体的行为理解与判识已有大量的研究工作并取得了一定成果,但通用的行为理解方法更适用于固定场景下的简单行为理解,若直接应用于井下复杂环境的矿工不安全行为理解,存在建模复杂、行为判识简单且单一的问题。同时,在获取矿工行为及行为上下文信息后,由于缺少对领域知识的抽取、表示与利用,使自动对矿工不安全行为进行判识成为难点。本文提出一种以本体为载体,结合数据与知识的行为理解与判识方法,不仅可解决复杂环境下的行为理解问题,还可自动对矿工的不安全行为进行判识,对煤矿安全性的提高有重要意义。首先针对煤矿不安全行为知识多源异构、煤矿科学数据总量日趋庞大,手动整合知识难度大的问题,提出了面向矿工不安全行为领域的知识抽取算法。该算法结合多种词向量信息,基于深度注意力机制联合学习多种知识抽取任务,解决了煤矿安全领域相关资料由于包含煤矿地理信息以及大量专有名词,具有的一词多义或多词同义的问题。经实验证明,该模型在煤矿安全领域的知识抽取任务上相较于现有经典方法,F1值有了1.9个百分比的提升。同时,并行化的加入与解码层的省略,提高了33K的模型训练速度。其次,基于井下智能空间平台,以本体为载体,实现了对矿工行为数据与知识的连接。首先在本体构建方面,结合上文的知识抽取模型,提出了本体半自动构建的方法与基本框架。接着在本体涵盖的领域范围方面,提出将矿工行为信息在环境、矿工状态、时空及行为四个领域进行分别表示,并通过对比本体存储工具的优缺点,将关系数据库作为存储本体的工具,完成对不安全矿工行为本体中知识的管理与利用。第三,提出基于CART与SWRL的本体推理方法,在语义层次实现了对矿工行为的理解与判识。该方法先将行为数据通过CART分类树,自动生成原子行为规则。再将原子行为与其他行为数据通过SWRL规则描述语言进行信息融合,以此完成更复杂的矿工行为理解任务。最终通过对不安全行为本体类的定义,完成对矿工不安全行为的判识。最后,基于以上研究内容,针对井下智能空间中的矿工不安全行为判识问题提出知识驱动与数据驱动结合的行为理解与判识方法,并通过分模块实验与整体实验证明了方案的有效性。本文共有图38幅,表17个,参考文献78篇