城市建筑火灾是一类极具破坏性的突发事件,对人类生命财产造成巨大损失。在火灾事故发生时,第一响应人员的派遣直接关乎事故整体救援效果,在初次派遣时刻如何准确评估救援需求、高效做好应急响应工作是消防部门关注的重点问题。历史火灾数据记录了各个火灾事故的应对方案,在火灾事故派遣问题上具有重要参考价值,但当前鲜有研究对其中救援人数规律进行挖掘。因此,本文引入机器学习方法对第一响应人数需求预测问题展开研究,主要研究工作如下:（1）基于火灾事故场景信息引入天气数据,构建由“火场-建筑-天气”三元信息集合而成的初始数据集,丰富初次派遣时刻考虑的指标因素,提升模型的稳定性以及处理复杂场景的能力。（2）针对历史数据中派遣方案冲突问题,提出一种结合改进谱聚类算法的异常火灾事故记录识别方法（Improved Spectral Clustering–Fire Records Anomaly Detection,ISC-FRAD）。首先,根据异常记录特征设计一种基于信息增益的加权相似度计算方法对谱聚类算法进行改进;其次,根据轮廓系数与CH指数确定聚类中心数目;最后,采用MCD、ABOD、Auto Encoder和Iforest作为ISC-FRAD方法基模型对聚类中心下的异常火灾记录进行识别及清除,得到符合一般派遣模式的火灾事故数据集。（3）提出一种基于遗传算法的神经网络结构优化方法（Genetic Algorithm-Based Neural Network Structure Optimization Method,GA-NNSOM）,通过对个体编码规则及变异规则的设计,实现了对神经网络隐藏层数量、神经元个数以及激活函数类别的启发式寻优,并将其应用于第一响应人数需求预测模型的构建。在预测模型构建方法中,首先采用XGBoost、GBDT、Random Forest和Ridge分别构建输入特征子集;其次,在各个数据子集上建立初始神经网络模型,并设计了模型评价规则对特征子集进行寻优;最后,通过GA-NNSOM对优胜模型结构进行优化以得到最优模型。基于上述方法,本文在火灾事故数据集上验证了GA-NNSOM方法对于模型的提升效果。此外,通过实验对比得出,文中构建的第一响应人数需求预测模型整体表现优于其他主流回归模型,天气数据的引入以及ISC-FRAD方法的提出均能有效提升模型预测效果。最后,引入Shapley值对模型特征重要度进行分析,以提升模型的可解释性。综上,本文提出的方法能够通过有效挖掘火灾事故数据,为消防部门提供第一响应人员派遣辅助决策支持,对提高火灾事故救援效率具有一定的指导意义和现实意义。