长期以来,建筑工程中安全事故频繁发生所导致的人员伤亡和财产损失,受到国家和社会的广泛关注。为了防止类似事故的发生,在每次事故发生后会形成事故调查报告,通过从历史事故中总结经验教训,从而制定安全管理策略和防范措施用于预防未来的风险发生。而以往对事故的分析研究依赖于专家利用专业知识进行人工分析,这使得分析结果很容易受到人的主观影响。同时,随着事故报告数据量的不断增加,人工分析耗时耗力,已经无法满足需求。因此,采用自动化的方法分析建筑工程安全事故对安全管理至关重要。面对这些通常以非结构化或半结构化形式存在的事故报告,当前研究普遍使用浅层机器学习结合手工提取文本中词语、句法和语义特征的方法,存在学习性能差以及信息抽取精确率不足的问题。针对上述问题,本文基于自然语言处理技术,开展事故类型与风险因素自动抽取的模型研究,并将其用于安全风险分析。具体研究内容如下:（1）针对事故报告中长距离词语之间依赖信息无法捕捉的问题,提出一种基于图神经网络的文本分类算法,用于从报告中抽取事故类型。首先,根据事故报告中词语共现关系,将序列化文本转化为图结构数据;然后,利用LSTM网络将词语节点与周围邻居节点进行信息交互,通过设置多层LSTM实现高阶邻居节点的信息捕捉;最后,通过注意力机制将词语节点信息聚合为整个报告的图表示用于分类。在所构建的篇章级文本分类数据集上进行实验,获得92%的平均F1值,验证了我们所提算法的有效性。（2）针对现有方法无法有效提取建筑事故报告中风险因素的问题,提出一种结合多层次神经网络与启发式规则的模型,实现事故报告中风险因素的抽取。首先,使用预训练语言模型BERT获得文本的字符级向量表示;然后,使用CNN与BILSTM,分别提取上下文的局部与全局特征信息;接着利用CRF学习标签之间的依存关系,完成文本中的风险实体抽取;最后,在此基础上根据7种启发式规则提取事故报告中风险因素。在所构建的句子级实体标注数据集上进行实验,模型在风险实体和因素抽取任务上分别获得了91.4%和86%的F1值性能,表明该模型具有较好竞争性。（3）面向建筑施工安全管理需求,基于上述事故类型与风险因素抽取结果进行关联分析,构建了一种建筑安全事故风险分析系统。根据输入的不同,系统主要实现风险分析与数据库更新功能。其中,风险分析功能根据输入的隐患排查文本,给出可能导致事故发生的已知风险因素、潜在风险因素以及事故类型;数据库更新功能根据输入的事故报告集,对关联规则库自动更新。通过对搜集到的事故报告数据集提取事故类型与风险因素,并对两者关联分析后,得到256条关联规则。相关测试表明,所构建系统可以满足实际应用需求。本文结合自然语言处理技术面向建筑工程安全管理环境下的实际需求,有效改善了事故风险分析中信息抽取困难以及精确率不足问题。测试结果表明对安全事故报告中事故类型以及风险因素的抽取效果均有一定程度上提升,为建筑工程安全管理领域提供有效的帮助。