全世界每年会发生很多次地震,并伴随着不同程度的人员伤亡和经济损失。在地震发生后快速获取人员伤亡的数量,依此结果结合专家经验对震后应急救援工作进行科学指导,可使救灾人员和物资分配更为合理,有效降低不必要的经济损失和因救援不及时导致的人员伤亡。本文针对1949年至2017年间的中国大陆地震灾害损失评估资料,基于机器学习算法选取合适的地震人员伤亡影响因素及相应震例,建立震后人员伤亡快速评估模型。本文的主要工作内容如下:1.简要分析地震人员伤亡影响因素的相关性及其研究进展,介绍了国内外常用的几类地震人员伤亡评估方法,针对每类评估方法介绍了其适用条件,并介绍机器学习与地震人员伤亡评估交叉算法的研究现状,结合地震人员伤亡影响因素的复杂性、以往预测人员伤亡方法的不足及机器学习在地震人员伤亡评估中的适用性,最终确定了本文评估地震人员伤亡所用的方法。2.通过集成学习算法中Stacking、Bagging与Boosting算法的分类和基本原理,着重分析基学习器CART决策树算法、Boosting族代表Ada Boost算法与Bagging族扩展随机森林算法进行特征重要度分析的步骤及其原理,确定将三种算法引用到地震人员伤亡影响因素评估中以挑选最适用的算法进行后续计算;结合深度学习算法中的人工神经网络架构、深度生成模型、训练及优化技术与框架,确定深度学习模型所用框架。3.选取1949-2017年间发生的破坏性地震,基于数据预处理方法与以往的震害经验选择合适的震例并对缺少的数据进行处理,使用三种集成学习算法建立影响因素重要度评估模型,分析初步计算结果,并对影响因素进一步筛选,再次建立特征重要度评估模型对筛选后的因素进行排序分析,对比三种算法的精度和稳定性,选取最优算法进行下一步计算;归类房屋类型,使用最优算法评估不同房屋结构对地震死亡人数的贡献度,分析得到的房屋类型贡献度排序,并依据结果分析结构的抗震性能并给出合理的房屋建造建议;基于房屋类型的贡献度结果给出房屋破坏影响系数,并根据房屋数据的完整性选取合适的数据,对人员伤亡的影响因素进行评估筛选,为后续的房屋破坏影响系数模型打好基础。4.针对影响因素重要度评估的结果,结合应急评估工作的需求,选取重要度较高的因素作为输入层、死亡人数和受伤人数分别作为输出层建立合适的深度学习模型,并根据模型的特殊性选取合适的超参数与优化算法,基于选取的框架搭建模型,对模型进行多次训练优化,分析模型的结果,并与其他人员伤亡评估方法的结果进行对比分析;修改部分超参数与输入参数,基于房屋破坏影响系数建立模型,对人员伤亡再次进行评估。并与上一模型进行对比分析,基于结果给出次生灾害修正公式,以提升模型的准确度与适用性。