随着智慧监狱建设的推进,信息技术与大数据技术在监狱管理中的重要性愈发突出。而监狱自杀风险作为监狱管理的重点问题,存在着难以量化、监管不灵敏等问题,也一直是监狱管理领域研究的热点。在此背景下,本文创新性地将数据分析和机器学习的方法应用到监狱自杀风险管理的问题中,从数据角度研究如何刻画监狱自杀风险,进而提出相应的监管策略,以提升监狱自杀风险管理水平。通过对新疆某监狱部分监犯数据的研究,结合量表评估和专家打分等方法获得了监犯自杀风险的量化值,采用一些处理策略提高可信度,进而将监犯划分为不同自杀风险等级。至此,将监狱自杀风险的刻画转化为监犯个体自杀风险等级的多分类预测问题。在此基础上,通过大量数据预处理手段和随机森林算法进行数据清洗和特征变量筛选,并选择了三个具备管理学意义的指标作为模型评判的标准。通过对比,选用Light GBM算法对监犯自杀风险进行分类预测建模,取得了较为理想的效果,并挖掘出模型中对监犯自杀风险起重要作用的特征变量。在监犯个体自杀风险模型刻画的基础上,拟定三个有针对性的监管措施,分别为业余活动、干警谈话和亲朋探访,探究其对降低监犯总体自杀风险的效果。又分析了当下监狱分级处遇制度的现状,并从合理利用监狱监管资源和管理便利的角度,分析了以自杀风险为依据的监犯分级处遇制度的必要性。然后采用t-sne算法和k均值聚类算法对监犯群体进行聚类,将监犯划分为三个典型类别,探究同一监管举措对不同类别监犯的效果,最终提出相应的监管策略,即不同监管举措的资源应当如何侧重分配到特定类型的监犯,以达到监犯自杀风险监管效率的提升和监管水平的提高。