监狱是犯人服刑改造的场所,监狱的安全与稳定是社会长治久安的重要前提。随着“智慧监狱”概念的提出,通过对监狱中各类信息的整合、分析,实现智能化的监狱风险评估和预警,能够为监管人员在风险防范、处置决策方面提供重要依据和支持,从而有效地维护了监狱的安全与稳定。传统的监狱风险评估和预警,大多基于监狱一线狱警或通过视频监控来人工地感知风险,或者是通过层次分析、正则化逻辑回归等方法进行风险分析,决策依赖监管人员的主观意识和能力。并且,由于监狱环境复杂多变,这些方法也暴露出对风险因素的采集不够全面、模型适应性较差等缺点。针对这些问题,本文提出了一种基于多维信息融合的监狱风险评估和预警模型,该模型由无监督的风险评估模型和基于时空注意力机制的风险预警模型两部分组成。通过对监狱时空信息的充分挖掘,实现对监狱当前时刻风险水平的评估以及对未来一段时间风险变化趋势的预测。本文的主要贡献如下:（1）提出了一种基于无监督算法的风险评估模型。针对监狱场景数据缺乏标注的问题,本文提出了一种基于降维和聚类的无监督学习算法来对监狱场景进行分类,并结合专家经验将分类结果对应为风险等级。同时,在模型中使用了一种新颖的置信度机制,通过样本的簇内相似度将风险等级量化为风险值,解决了人工量化主观性强、准确率低的问题,提升了模型的合理性和有效性。（2）提出了一种基于时空注意力机制的风险预警模型。针对监狱中风险预警智能化程度不足的问题,本文提出了一种由空间提取层、时间提取层、特征提取层组成的风险预警模型对监狱中的时空数据进行了深度挖掘,实现了对风险变化趋势的预测。在空间提取层中,引入了图的方法来构建监狱中不同区域间的关系网络,并通过图注意力网络来捕获数据中的空间依赖性。在时间提取层中,采用了一种基于门控循环单元和Transformer模型的时序预测网络来捕获数据中的时间依赖性,弥补了传统的循环神经网络在梯度消失以及捕获长期依赖性上的不足。最后,经过基于自注意力机制的特征提取层实现了对风险趋势的预测。本文在监狱时空数据集以及城市污染公开数据集上进行了对比实验和消融实验,均取得了较高的准确性和稳定性。（3）实现了 L监狱风险评估与预警模块的构建。结合实际应用中的需求,将基于多维信息的监狱风险评估和预警模型应用在L监狱智能监控平台中,完成了数据采集,数据库建立、算法模型的嵌入以及平台的可视化展示等工作。