施工隐患排查与整改是地铁施工安全管理的重要环节,其目的在于通过现场安全巡视,识别、记录可能导致施工安全事故的现场安全隐患,并加以跟踪、整改。隐患排查系统的开发,有利于规范隐患排查工作、建立健全隐患排查治理长效机制。隐患排查活动积累了大量记录安全隐患的文本数据,沉积、闲置在排查系统中。为了有效管理、利用海量非结构化隐患文本数据,以期用于揭示隐患分布规律、预判安全风险来源、为治理同类隐患提供参考,首先需要解决隐患文本分类与高效检索的问题。为此,本文探索基于深度学习的施工现场安全隐患文本分类与检索研究,主要研究工作包括:首先,本文阐释了地铁施工安全隐患的含义和类别,结合文献调研和专家访谈,分析了地铁施工隐患排查的工作机制与存在问题,并据此指出隐患文本分类与检索研究的必要性。当前研究主要基于文本挖掘和关键字匹配实现隐患管理,存在隐患分类效果及鲁棒性不足、隐患数据检索效率低下等问题。其次,结合文本表示与深度学习等相关理论技术,搭建了基于改进BERT（Bidirectional Encoder Representation from Transformers）结构的分类模型,实现了端到端的安全隐患分类。使用某地铁隐患排查系统积累的隐患文本数据,进行了与其他五种分类方法的对比研究,结果表明该方法有相对更好的隐患分类效果与泛化能力。最后,提出了基于知识图谱的隐患数据检索框架:采用本体与语义网络进行隐患知识表示,结合直接映射、深度神经网络等实现知识抽取,进以构建隐患知识图谱并存储在Neo4j图数据库中。实验结果表明,基于图结构的隐患数据组织方式,能够很好地处理内部关联复杂的隐患数据,实现高效的结构化检索。本文的研究,提出了基于改进BERT模型的分类方法、基于知识图谱的结构化检索方法,实现地铁施工隐患文本分类与数据高效检索,为集成系统的开发与应用提供支持。同时,本研究也可以为立足于深度学习、知识图谱技术下的建筑领域文本处理、数据检索及管理提供借鉴。