室内安全是关系到人员健康及正常活动的重要课题。近年来,多起在建筑内部发生的纵火、突发毒气攻击等事件,引起了人们对于恐怖主义的担忧,使得室内安全问题得到了更加广泛的关注。室内环境由于空间受限、人员集中等因素,一旦发生生化攻击事件,如果不能快速对污染区域进行清洗、对被困人员进行疏散和安置,将造成不可挽回的损失。目前,针对生化攻击下室内安全问题的研究比较有限。当前所面临的首要技术难题是室内流场环境受通风气流的影响,呈现出混沌的湍流运动状态。有害物质受湍流影响在有限空间内做无规则运动,使得湍流模型中物理量参数之间具有高度耦合且高维度的特性,难以对其演化发展进行预测。另一方面,在湍流环境中构建有利于人员疏散逃生的安全区域/路径也是我们需要在现实中考虑的。因此,如何能够在处于生化攻击中的室内空间快速构建安全的区域以及在线对有害物质浓度场的演化发展进行预判,成为该领域亟待解决的重要问题。当前,国内外尚未解决应急场景下安全区域演化发展在线预测的难题,对室内安全区域的快速构建和态势感知的研究工作仍?分重要。针对以上两个主要问题,本文研究工作如下:（1）在室内安全领域提出安全区的概念,通过流场控制与化学洗消技术耦合的方法针对受毒气攻击的有限空间内制造安全区域。根据计算流体力学（Computational Fluid Dynamic,CFD）软件STAR-CCM+,对三种典型的室内流场环境（自然扩散、户外通风和空调通风）下的有毒物质的输运过程进行数值模拟。计算得到有关浓度场与速度场的大量高精度时空数据,并通过实验的方法验证了仿真数据的有效性。分析结果表明,该方法能够有效的抑制毒性物质的进一步扩散并建立安全区域。同时,揭示了室内流场的分布和安全区域的演化有着密切的关联,这对于室内通风系统的安全性设计具有重要的参考价值。（2）本文基于深度学习技术提出多步时空预测态势感知模型（Multi-Step Spatial-Temporal Situational Awareness Network,MSSTP-SA net）。该模型包含空间特征提取网络与时间特征提取网络,能够根据室内非活动区域布置的监控点采集的多类型实时数据,针对有限空间内安全区演化进行在线辨识与预测。模型训练与测试的数据集是由多边界条件正交得到的大量生化攻击场景所组成,每个场景所包含的数据都是通过CFD数值计算得到的高精度且具有可靠性的离线数据。实验表明,该算法对于室内浓度场的演化分布具有良好的预测性能。同时,模型的响应时间达到毫秒量级,能够保证在应急场景中能提供实时的预测,具备一定的应用潜力。综上,本文针对室内生化攻击场景提出了安全区域的构建方法与态势感知模型,并针对应用实践的需要对算法部署进行讨论,形成了相对完整的研究,具有一定的方法创新和潜在的应用价值。