有效利用现代信息化技术加强对安全生产大数据的归集、挖掘及关联分析,提升安全风险识别和评价能力,对遏制重特大事故发生、保障生产安全需求有重要意义。煤炭行业是我国典型的传统能源行业,在信息科技技术高速发展的时代背景下,传统的煤炭行业迈向煤炭工业高质量发展道路是必要趋势,其中应用现代信息技术破解煤矿安全生产重大风险识别和评价难题,促进煤矿安全生产风险防控工作智能化,进而有效防范和化解煤矿安全生产重大风险,保障生产安全是非常重要的一环。风险识别和评价的前提是安全生产相关基础数据的获得。多年积累的海量煤矿安全事故调查报告作为对事故风险源集中展示的材料,在对提取可能诱发煤矿灾害的关键风险因素和挖掘隐含、未知的风险发生规律等问题中价值巨大,如果能够得到有效的利用,能够成为辅助煤矿进行安全生产管理的重要数据资源。但目前缺乏对海量非结构化的煤矿安全事故案例文本数据深入挖掘并加以利用的有效方法。因此本文尝试引入一种文本信息挖掘技术,科学融合风险管理理论与现代信息技术,以大量煤矿事故案例文本报告为分析对象,对煤矿安全风险因素高效精准识别、安全风险综合评价、多维风险防控策略进行深入的研究,提供一套基于数据驱动的能有效防范煤矿安全风险的方法。本文主要研究内容和创新贡献如下:（1）提出针对大量非结构化煤矿事故案例报告的风险智能识别方法。从煤矿事故案例文本数据的高度非标准化、非结构化特性出发,对传统的文本挖掘过程进行了优化,通过中文分词、关键词提取、相关词语挖掘、相关词语语义分析、事故风险因素成分聚合的挖掘步骤,高效全面地挖掘提取了煤矿事故案例报告文本数据中隐含的风险致因信息,解决了传统文本挖掘事故风险致因过程中存在的关键特征信息提取不全、词库构建复杂、冗余相近表述等问题,同时实现了非结构化事故案例数据向结构化事故风险基本信息的转变,为有效利用非结构化安全生产数据进行风险分析提供了方法支撑,也为其他领域非结构化复杂文本价值信息的识别提供了思路。（2）将关联规则挖掘与贝叶斯网络方法相结合用于分析煤矿安全风险因素关联性和重要性。以煤矿事故案例为数据基础,运用Apriori算法挖掘了对煤矿事故发生有重要影响的高频风险因素集和因素间的潜在强关联关系,在此基础上以煤矿安全开采相关的专业知识为支撑,结合专家经验和结构学习完成了基于煤矿安全风险因素关联规则的煤矿事故贝叶斯网络模型构建。最后通过网络敏感性分析、关键路径分析以及统计频率分析,得到了影响煤矿安全生产的主要风险因素及其关联风险因素集,为更有针对性地实施煤矿风险因素联合防御管控措施来减少煤矿事故提供了决策依据。研究提出的基于风险因素间的强关联规则来构建贝叶斯网络结构的方法,可以帮助克服由于专家主观性和知识局限性导致的网络节点和节点间因果关系遗漏问题,为数据驱动的安全风险关键因素识别及其复杂交互机制研究提供了新的视角。（3）建立基于t-SNE和ACRO-ELM相结合的煤矿安全风险评价模型。针对煤矿安全事故存在大量的风险致因属性特征导致事故数据存在维度过高,规模过大,复杂性很高的结构特点,引入基于非线性的t-SNE高维数据降维方法,与人工化学反应优化（ACRO）和极限学习机（ELM）相结合来构建了新的煤矿安全风险评价模型,通过分析模型在预测效果、误差分布、时间成本等方面的表现发现,引入t-SNE算法对原始数据进行降维处理,可以有效降低算法的复杂度,解决模型复杂度过高导致的过拟合、训练时间成本过高等问题,进而提高了挖掘任务的效率,改善了预测精确性等学习性能,提高评价精度同时节省了评价时间成本。同时在提高ELM泛化能力及稳定性方面,ACRO相比遗传算法（GA）更具有优势。（4）提出了具体的基于风险识别与评价的煤矿安全风险控制方案,从而指导煤矿企业有效开展安全生产风险预控管理工作。基于煤矿安全风险控制目的及流程,讨论了风险评价方法如何在煤矿企业中落地实施方案,并提出了基于评价结果的风险响应控制措施。同时,基于识别出的影响煤矿安全生产的主要风险因素,从宏观角度给出了风险防御管控措施。风险控制方案的提出为煤矿安全风险管理工作提供了新思路。