城市犯罪率的上升,对“平安城市”的建设与社会的和谐发展构成了严重威胁。本文运用时空定量分析方法和深度学习技术,以美国芝加哥市为例,分析了抢劫犯罪的时空分异模式及其成因,基于高分辨率遥感图像开展了犯罪风险预测模型构建,并引入卷积注意力机制自动捕获对犯罪风险有重要指示作用的城市场景特征,验证了遥感图像对犯罪风险预测的可行性和有效性。研究结果表明:（1）抢劫发案的日内、周、月份、季节、月内分布存在显著差异,犯罪时间有稳定的热点;（2）抢劫发案在空间分布上有聚集性,有稳定的空间热点;（3）抢劫案件发生具有显著性的影响因素,发现抢劫案件空间分布与非洲裔人口比例、失业率、道路密度和商业POI数量有正相关性,与家庭年收入、人口密度和地铁站点有负相关性,同时地理加权回归分析结果显示各影响因素的空间分布具有差异性;（4）引入卷积注意力模块的Res Net＿50网络在城市场景犯罪风险预测任务中获得了75.2%的准确率,准确率比原始Res Net＿50的性能提升了2.7%。此外,本文通过类激活映射可视化网络“注意力”关注的图像区域,探究对犯罪风险有贡献的城市场景特征,发现高密度低层居民区场景中的灰色、黑色和白色屋顶,以及行道树茂密特征以及商业区场景的停车场特征等与抢劫犯罪有明显联系。本文结合城市时空大数据开展的犯罪时空分析以及犯罪风险预测模型,丰富和发展了城市犯罪地理学的研究视角和技术方法,为探究犯罪行为的发生提供新的理论依据与工具,为低成本、大范围和高精度的城市犯罪诱因辨识与犯罪风险预测提供可借鉴的技术框架与科学依据。