塔式起重机（简称“塔机”）是工程建造活动中使用最为频繁的起重运输机械之一。然而,国内外塔机倒塌等安全事故频发的态势始终没有得到有效地遏制,造成了严重的人员伤亡及经济损失。大量的事故调查报告表明不安全吊装行为是塔机安全事故的导火索,如:2019年4月贵阳塔机工人斜吊使得塔身折断,同年甘肃庆阳塔机司机突然起制动造成上臂倾覆。依据海因里希法则,监控人员的不安全行为是减少安全事故的关键。因此,掌握不安全吊装行为对于塔机稳定性的作用机理,进而建立不安全吊装行为的智能识别模型成为塔机安全管理中的一个重要课题。首先通过塔机可追溯事故案例分析,总结了施工活动中最典型的三种不安全吊装行为（倾斜起吊、突然制动、突然卸载）及事故机型（独立-尖头-上回转变幅式）,并以该机型为例建立了塔机缩尺模型实验平台,以克服现场实验的危险性。在此基础上,从不安全吊装行为对于塔机失稳的作用机理、监控部位分析、识别模型建立及场景泛化方法上系统地开展研究。在作用机理上,通过实验研究描述了倾斜起吊、突然制动及突然卸载的载荷激励,构建了塔机失稳的损伤指标,通过增量动力分析描述了在不安全吊装行为下各组件结构单元从弹性变形到塑性变形的过程。结果显示:倾斜起吊是对塔机稳定性影响最大的不安全吊装行为;在同一吊装载荷下,塔机底部标准节最能表征基础结构失效状态,两者皮尔逊相关性超过0.9,同时对不安全吊装行为作用下结构响应数据的分类最为敏感,可以作为监控设备布设的重点部位。在识别方法上,基于塔机多姿态吊装实验建立了有标签的不安全吊装行为图片数据库,包含16200条图片数据,覆盖塔机-90°至90°的回转姿态。提出了基于RGB通道的多传感器数据融合方法及不安全吊装行为智能识别模型。实验过程中,比较了时间序列归一化、格拉姆角场变换、连续小波变换三种特征变换方式及Alex Net、Vgg Net、Res Net、Google Net及Mobile Net五种深度学习框架组合下的识别效益,得到了Rawdata-Res Net最优的不安全吊装行为识别路径,实验室环境下精度达99.90%。在场景应用上,提出了基于深度对抗迁移的不安全吊装行为智能识别模型的泛化思路,实现了工地现场的应用,避免了工地有标签不安全吊装行为监测数据少的问题。经实验分析,所提出的迁移模型能够较好地克服目标域数据集标签类型信息缺损时造成的“负迁移”问题,在工地现场数据验证集下的最优精度达到76.74%。最后,基于Qt Designer实现了不安全吊装行为智能识别的功能。