应急撤离作为飞机发生紧急情况后重要的逃生手段,可以避免飞机再次燃烧、爆炸等对乘客造成二次伤害。对客座数大于44座的飞机,应急撤离适航条款的符合性只能通过演示试验表明,但演示试验成本高昂,参试人员易受伤害,并且不能很好模拟真实的灾难场景。近年来随着计算机技术的飞速发展,计算机仿真模型成为研究应急撤离过程中乘员行为特征的重要手段。由于机器学习能够很好地提取到乘员的特征信息,进而可以在特定环境下进行轨迹预测,因此本文分别通过构建BP神经网络和深度学习网络模型来研究应急撤离中乘员的行为特征。本文首先参照适航规章要求和波音737-800前舱段的客舱构型设计应急撤离模拟试验,通过对试验动态视频进行数据的提取、筛选和重组得到适合本文网络模型训练的三组不同数据特征以及不同样本量的标准化样本库。本文以应急撤离模拟试验为依据,根据模拟的客舱环境,考虑乘员的速度位置信息、障碍物信息和出口信息,搭建BP神经网络,通过对试验数据的训练,得到了可以准确预测应急撤离行为的神经网络模型。本文还以GAN深度学习网络模型为基础,结合LSTM和自编码器,搭建新的GAN网络模型,通过对无障碍场景的行人轨迹预测研究,证明了该模型可以很好地实现人与人之间交互信息的提取。再通过引入的自适应学习率,使该模型训练效率更高,从而更好地实现乘员从座椅到主过道区域撤离行为的预测。通过用不同数据库对两种网络模型进行训练来提取乘员的行为特征,对飞机客舱乘员的应急撤离进行行为预测,再通过速度时间关系,位移误差等评估指标对模型进行验证分析,充分证明了这两个模型的有效性。因此本文的深度学习网络模型可以为仿真模型有效性的验证提供更加可靠的方法。