地下综合管廊是适应未来城市发展需要的综合、现代、集中城市运输系统。管廊设施系统复杂,安全风险高,结构复杂,对安全产生重大影响,在地下综合管廊运维过程中,保证地下综合管廊的安全是一个不可忽视的问题。本文对基于机器学习的地下综合管廊安全状况评估方法进行了深入的研究,从风险识别、模型构建、实验论证、平台构建四个方面对地下综合管廊安全状况开展研究。论文的主要研究内容如下:对于地下综合管廊安全影响因素层次不明显的问题,本文从安全整体的视角,综合分析了可能影响安全系统运行状况的基本组成要素,对地下综合管廊安全系统的事故进行安全风险与影响的因素进行归类硏究,形成了地下综合管廊系统安全事故的辨识系统。对制定地下综合管廊安全策略、合理开展地下综合管廊建设提供科学有效的指导。对于地下综合管廊安全状况评估困难,带有人为主观性的问题,本文在地下综合管廊安全事故辨识系统的基础之上,以广东省某高新区的地下综合管廊安全状况数据为研究样本,构建基于机器学习的地下综合管廊安全状况评估模型,然后对综合管廊的安全状况进行评估,综合考虑F1-score与AUC值,得出XGBoost评估模型更适合进行地下综合管廊安全状况的度量;在模型优化的阶段,使用贝叶斯优化分析算法对模型进行调优。最终实验证明优化后的算法在地下综合管廊安全状况评估上的性能得到了进一步提升,其中AUC值能达到95.99%,F1-score能达到91.53%。针对传统地下综合管廊安全管理平台评估准确率低的问题,本文搭建地下综合管廊安全管理平台,使用地下综合管廊安全状况评估模型实时对管廊的安全状况进行预测,实现管控一体化。经过安全状况评估实验,结果证明该地下综合管廊安全管理平台安全状况评估准确率达到86.39%,相比于传统的阈值评估方式,提高了7.64%的准确率。安全、高效、便捷的综合管廊是国家、社会大力倡导的基础性设施,基于机器学习的地下综合管廊安全状况评估方法研究,对于地下综合管廊的建设、运营与维护有一定的理论指导和实践借鉴价值,一定程度上推动地下综合管廊的安全保障研究。