“民以食为天,食以安为先”,食品安全关乎民生、社会稳定和经济发展大局,食品问题治理是国家战略的重要组成部分。近年来,国内外的食品安全事件频发,2017年欧洲爆发毒鸡蛋事件,涉及多个国家,2018年美国出现沙拉中毒事件,2019年挪威爆发鱼类养殖重大事故。中国也发生了毒豆芽和苏丹红等一系列食品安全事件,食品安全问题亟待解决,进行科学的食品安全风险评估具有十分重要的意义。当前食品安全风险评估是通过食品检测检验部门对食品质量进行的抽样检验,根据不同食品安全标准,基于统计方法得到产品合格与不合格的结论,对不合格的食品进行重点检测来降低风险,食品安全检测只根据“合格”与“不合格”两种状态进行评估,无法挖掘食品安全信息下更深层次的风险隐患。因此,系统科学的识别出食品安全的影响指标,准确地进行食品安全风险分级评估对提高我国的食品质量安全水平至关重要。本文提出了一种基于隐马尔可夫模型的食品安全风险评估方法,并基于乳制品数据进行了验证,研究内容如下:1、针对传统的解释结构模型(ISM)处理食品安全非线性和复杂性数据精度差的问题,提出一种基于灰色关联分析(GRA)算法改进的ISM算法,使用GRA算法计算各评估指标间的相关系数矩阵,进而实现食品安全评估指标的分级,得到了食品安全评估指标的分级层次结构,为进行食品安全风险评估确定指标权重提供了数据支撑。2、使用GRA-ISM算法得到评估指标分级层次结构确定检测指标权重,提出一种基于GRA-ISM算法的隐马尔可夫模型(HMM)算法,对食品安全进行风险评估。此算法首先通过结合指标对应权重和检测数据,得到风险指数,再使用5-标度法对风险指数进行分类作为HMM风险评估模型的观测序列进而建模进行风险评估,最后得到风险分级结果。同时使用混淆矩阵对模型的准确性和可靠性进行分析,验证提出方法的有效性。3、针对HMM算法中使用的Baum-Welch算法为局部最优算法,对模型进行训练时容易陷入局部最优,对初始参数要求较高的不足,提出了一种基于布谷鸟搜索算法(CS)改进的HMM算法。首先使用CS算法对初始模型进行全局搜索得到全局最优解,再结合Baum-Welch的局部最优特性进行局部修正从而使参数快速收敛到全局最优解,最后和传统的HMM算法结果进行对比,证明CS-HMM算法具有更高的准确性。