再犯风险评估指的是对具有既往犯罪史的社会成员的再犯罪可能性的分析,目前监狱中对服刑人员出狱后的再犯风险评估技术主要以精算式的量表分析为主。量表分析通过收集服刑人员的临床指标、改造信息和一部分既往史,结合专家经验和统计分析结果给每个属性添加权重值和基础分数,所有属性得分相加即为最终衡量再犯风险的评价指标。由于量表式的评估方法严重依赖于专家经验和主观观测,其评估结果的客观性较差,并且难以进行海量数据处理和复杂分析,因此寻找一种客观性强且能充分发现数据中隐藏关系的方法成为了该领域的研究重点。近几年,随着信息技术的飞速发展,机器学习（Machine Learning）开始逐渐应用于犯罪预测领域,利用机器学习方法对服刑人员进行再犯风险评估也成为了该领域的一个热门话题。目前机器学习方法在再犯风险评估领域的发展仍然存在许多限制。首先是机器学习方法对数据质量和数量的要求较高,而监狱管理系统中的数据多为手工录入的原始数据,无法直接应用于模型训练。其次,当前基于机器学习模型的再犯风险评估方法使用的都是一些基础分类模型,这些模型仅能针对单一类型数据进行浅层的学习,无法进行多类型数据多通道的学习,也无法作为子模块嵌入到其他同类型的任务中。同时,服刑人员再犯风险数据集属于表格数据（Tabular Data）的一种,即以表格形式存储的值为连续变量或类别变量的数据。目前针对表格数据的主要处理方法都是将类别特征和连续特征分开处理,忽略了特征间的空间信息和全局信息,无法对数据进行充分的利用。针对以上问题,本文基于深度学习方法在表格数据中的应用和机器学习模型在再犯风险评估领域的应用两个方面展开了研究,并在此基础上提出了基于多种注意力机制的表格式多层感知机网络（Attention-based Tabular MLP,ATabMLP）和基于集成学习方法的再犯风险评估算法。本文的主要工作集中在以下三个方面:（1）针对传统表格数据模型无法有效利用空间信息的问题,通过引入基于Attention机制的Transformer模块和gMLP模块,并且在传统MLP（Multilayer Perceptron）结构中添加Self-Attention的方式,解决原有模型无法充分提取全局信息的问题。经过在公开数据集上的对比实验和消融实验分析后,发现以多种Attention机制相结合为基础的深度多层感知机网络效果较为突出,在所有测试数据集上的平均AUC（Area Under Curve）值达到了 0.853,超过了同类型的两个基线模型。（2）针对当前再犯风险评估使用基础分类模型难以有效提取数据间隐藏信息和无法进行多通道学习的问题,通过集成学习算法中的Stacking方法将本文提出的ATabMLP模型和逻辑回归、随机森林、梯度提升决策树、XGBoost（Extreme Gradient Boosting）等传统分类模型进行融合,提出了基于集成学习方法的再犯风险评估算法,最终模型AUC值为0.835,与单一模型的最优结果相比仍然获得了一定程度的平均增益效果。（3）针对原有管理系统中数据质量较低的问题,利用本文提出的再犯风险评估算法构建了再犯风险评估系统,系统包括数据管理、模型训练和评估管理三个主要模块。一方面可以通过对数据进行统一处理的方式解决数据质量问题;另一方面,工作人员在使用系统的模型评估和训练功能时,可以对模型的评估效果和数据内容做出反馈,可以有效地促进模型的研究和应用工作。