自杀是一种对社会、对人身安全危害极大的社会疾病。世界范围内自杀的人数已经超过死于艾滋病、疟疾、战争和谋杀的人数,成为世界最主要的致死原因之一。如何有效检测自杀意图、快速覆盖数量庞大的隐性自杀群体,是目前心理健康学研究中亟待解决的课题之一。随着互联网技术的发展,社交媒体平台迅速崛起,人们通过社交媒体发表观点、表达心情、展示生活。面向社交媒体的自杀风险预测任务旨在通过计算心理学方法研究自杀心理、检测自杀意图,在学术研究和实际应用上都有重要的意义。首先,本文面向社交媒体文本提出了多特征融合的循环注意力网络进行自杀风险预测。该网络利用BERT预训练模型的文本编码能力对文本进行嵌入,然后结合LSTM模型和注意力机制对文本嵌入进行上下文特征提取。并且,针对传统采用机器学习和深度学习的自杀风险预测方法缺乏领域理论指导和可解释性较差的问题,本文构造了 n-gram特征、心理词典特征和语言符号特征弥补深度学习方法特征提取的不足,并增强模型的可解释性。本文在自杀风险预测共享任务数据集上进行实验,证明本文提出的上下文语义编码模型和心理学外部特征能有效识别社交媒体文本中蕴含的自杀风险。然后,本文面向社交媒体用户提出了结合用户行为属性的自杀风险预测模型。本文认为个体的自杀心理是长期存在且起伏不定的。所以本文对用户发表的历史推文进行时间序列建模以捕捉用户历史心理状态和情绪变化规律,并对用户最新发表的推文进行特征提取捕捉用户最近的自杀心理。同时,本文在用户历史行为建模过程与最近时刻推文特征进行交互以捕捉用户历史情绪对当前心理状态的影响。实验表明,对用户行为属性进行建模可以捕捉用户自杀心理的变化情况,提升自杀风险预测的准确性。最后,本文提出了基于交叉注意力的多模态自杀风险预测模型。模型首先通过模态特征抽取层对文本和图像进行编码和特征交互;然后通过用户行为编码层分别在文本模态和图像模态进行时间序列建模,并使用交叉注意力机制进行模态交互;最后基于多模态融合特征对用户自杀风险做出预测。本文在中文多模态微博数据集上进行实验,证明多模态信息可以更加准确的反映用户的自杀心理。同时也证明了本文提出的交叉注意力机制可以有效捕捉模态之间的联系,提升了模型自杀风险预测的准确性和可解释性。