地铁施工建设由于地质水文环境复杂、对象种类众多、施工技术难度大、组织协调困难等特点,具有多种类型各异、难以预见的安全风险因素,极易诱发安全事故。传统的安全风险管理常以独立风险因素或者单一风险事件展开研究,对安全风险因素与风险事件之间的影响关系研究颇少,且在数据采集方面多依赖专家经验,因此在风险评价结果很大程度上受专家认知偏见与个体主观性的影响。鉴于此,本文基于深度学习与复杂网络理论探索数据驱动的安全风险评估与应对模式。具体研究包括:首先,以562例地铁施工事故文本为数据资料,构建并训练基于双向长短期记忆网络加条件随机场（Bi LSTM+CRF）的地铁施工安全风险领域实体识别模型与基于卷积神经网络（CNN）的领域实体因果关系抽取模型,完成地铁事故文本安全风险因素、安全事件及其间因果关系的自动抽取。实现地铁施工事故文本转化为“安全风险因素-风险事件”的因果关系链式结构,细化安全风险因素及风险事件分类。其次,构建有向无权的地铁施工安全风险复杂网络,揭示多类型安全风险因素与多类别风险事件之间复杂的相互影响关系及历史统计规律。通过网络拓扑特征量的量化评估获取重要的安全风险因素与风险事件,表征网络的无标度网络与小世界网络特性。再次,分析地铁施工安全风险网络的鲁棒性,提出基于度指标、介数中心性指标与随机节点攻击的三种安全风险预防策略。项目管理人员可按照度指标对安全风险因素与风险事件类型依次进行精准预防与管理,在资源有限的条件下有效减低整个地铁施工项目的安全风险隐患,提升项目安全风险管理水平。构建地铁施工案例数据库,通过数据库检索实现对历史相似风险事件的经验学习与风险应对措施的知识推荐。最后,在M项目中进行案例研究与应用,通过问卷调查获取项目安全风险因素,基于复杂网络的正向推理获取可能引发的风险事件,并基于关键的安全风险因素提出相应的风险应对措施,验证基于数据驱动的安全风险管理模式的有效性及适用性。论文共有图23幅,表37个,参考文献119篇。