服刑人员是社会中重要的一个特殊群体,虽然总人口占比小,但对国家健康快速发展、社会和谐稳定、公民人身财产安全等都有很大的影响,因此针对服刑人员的治理和研究是一项关键紧要的工作。对其进行日常行为监测和危险评估等,有利于提高监管场所的管理效率、保障监管环境安全等。在监狱管理工作中,常规的危险评估主要针对狱内服刑人员的危险性等级、危险类型以及再犯风险等内容进行预测和分类。本文的评估重点是危险性等级。在服刑人员危险性评估的研究领域内,目前成熟的评估技术主要包括多种形态的综合量表工具、相关性分析等数理统计方法和二元逻辑回归等。大多数狱内危险性评估工作主要依赖于各监区干警的观测和评估,通过纸质量表来评判服刑人员的危险性。这种研究方法存在主观性较强、实时性较差、准确率偏低等问题,并且随着服刑人员管理系统完善,数据也会随之累加,如何有效地处理多维多类的海量数据也是很大的挑战。针对此问题,本文主要基于机器学习开展服刑人员危险性的评估研究。将服刑人员危险性等级评估转换为一种多分类任务,将服刑人员的多维信息字段和各类危险性等级视为多分类任务的特征集和标签,利用机器学习等方法搭建出评估模型。首先,通过线上采集和线下采集的方式在宁夏某试点监狱获得服刑人员的样本信息,对原始数据进行预处理后形成了结构化数据集。其次,提出了一种集成特征选择算法,用于提取影响服刑人员危险性的关键字段,删除冗余特征,降低冗余特征带来的负面影响。再次,基于机器学习分类算法,构建出服刑人员危险评估模型。利用Python在真实样本集中进行了预测和验证,模型通过数据接口可直接应用在狱内设备中对服刑人员进行危险评估和预测。最后,本文提出一种极高危险预警方案,对少部分极高危险性人员群体发出预警信号,为监狱管控提供帮助。本文提出的集成特征选择方案适用于结构化数据集的分类场景。该方法融合了基于单个特征的不同类别数据分析和特征-标签分析,通过计算四个不同维度的指标来衡量每个特征的重要程度,并进行排序选出较优的部分特征用于分类,从而来提高数据分类的准确性。本文的主要贡献如下:（1）在狱内服刑人员的危险性评估工作中,提出了一种基于机器学习算法的评估模型,解决了主观性较高、准确率偏低的问题。（2）发现了单一特征下不同类别标签的数据之间的关联关系。在单个特征下,基于KDE分析了不同类别数据的分布,通过概率密度曲线计算不同类别数据之间的误分类概率和相关性大小,从而来衡量该特征在分类中的性能。（3）提出了一种多维度指标融合的集成特征选择方案,集成了特征和标签之间的关系以及单一特征下不同类别标签的数据之间的关联关系,相较于已有的方法和成果,本文提出的算法能够有效提高同一模型分类的准确率。（4）在试点监狱的真实数据集上进行了实验。结果显示本文提出的基于集成特征选择和机器学习方法的服刑人员危险性评估模型能够有效的提高险评估准确性,挖掘出了影响服刑人员危险性的关键因子,危险性等级的分类准确率达到了86.06%,比未采用特征选择的准确率提高了3.08%,在其他实验设置相同的情况下比基于信息熵的特征选择方法的准确率提高了3.82%,比基于相关性的特征选择方法的准确率提高了1.88%。因此可优化目前监狱的量表评估工作,保证危险评估的客观性和准确性。