经济的快速发展、机动车保有量和道路总里程的不断增加导致供需矛盾加剧,由此也引起了交通安全问题日益突出。为探索城市社区层面建成环境对道路交通安全风险的影响,本文从密度、多样性、交通设计等多维度刻画建成环境,基于回归模型及机器学习模型,结合空间分析对城市道路交通安全风险进行探索。本文主要开展了以下四个方面的研究:（1）道路交通安全风险界定及测度首先对交通安全风险基本概念与内涵的已有研究内容进行梳理,在此基础上对道路交通安全风险的概念进行界定,明确道路交通安全风险概念所包含的属性要素。为客观、全面刻画道路交通安全风险,本文在已有交通安全风险评价指标、评价方法、评价体系内容的基础上,提出城市道路交通安全风险评价体系。为提高评价结果的可比性,基于熵权TOPSIS算法构建城市道路交通安全风险指数模型,利用交通安全风险指数对城市道路交通安全风险进行综合评价。为进一步探究城市道路交通安全风险的空间特性,基于密度分析对城市道路交通安全风险的空间分布情况进行可视化分析,利用空间相关性分析方法对城市道路交通安全风险在空间上的分布关系进行解析。（2）建成环境测度体系构建从建成环境的基本概念出发,总结归纳建成环境的内涵及不同研究内容的建成环境测度指标。在宏观视角下对建成环境、交通出行、城市规划三者间的互动关系进行探讨,明确建成环境在城市系统中的重要作用。随后在建成环境视角下对交通安全风险影响因素及机理进行解析。基于建成环境的“5D”要素模型对建成环境的要素指标进行具体阐述。最后针对本文的研究对象,结合交通安全风险影响因素,对建成环境体系进行重构,从密度、多样性、交通设计等多维度对建成环境进行刻画。（3）建成环境对城市道路交通安全风险影响模型构建为深入探究建成环境与城市道路交通安全风险的定量关系,本文构建了建成环境对城市道路交通安全风险影响回归模型与机器学习模型。其中回归模型包括最小二乘回归模型,用于分析变量的显著性及相关性;地理加权回归模型,用于探索变量影响的异质性,同时构建模型参数估计方法及模型评价指标。为突破线性回归模型对变量关系的假设,基于Boosting算法构建梯度提升决策树模型,用于探索变量的重要程度及依赖关系。为防止模型出现过拟合与欠拟合问题,构建了模型优化方法,包括K折交叉验证及超参数检验,同时构建了模型评价指标。（4）实证分析本文以重庆市DDK区的112个基本研究单元为实证案例,通过影响分析回归模型与梯度提升决策树模型对城市道路交通安全风险影响因素进行研究。结果表明:通过最小二乘回归模型分析发现人口密度、商业办公密度、快速路与主干路密度等6个变量与城市道路交通安全风险显著相关,在影响方向上人口密度与交通运行情况呈现出负相关关系,其余显著变量为正相关关系。在地理加权回归模型中发现了变量影响在空间上的异质性。利用调整R~2与AIC准则进行检验,得到地理加权回归模型的调整R~2为0.72,最小二乘回归模型调整R~2为0.64;且(AICOL S-AICGWR)＞3说明地理加权回归模型具有更好的拟合效果。梯度提升决策树模型方面,利用python编程语言探索模型参数拟合效果的影响,确定了学习率参数为0.16,树的最大深度为7,决策树数量为110的参数设置。并对模型训练效果进行检验,模型均方根误差为0.0036,平均绝对百分比误差为1.9%,决定系数R~2为0.84,模型拟合较好。其中人口密度、道路设施、交叉口密度、次干路与支路密度、交叉口平均间距、土地利用混合度、经济密度的累计重要度达77.87%。变量表现出明显的非线性与阈值效应。