在国民经济快速增长的背景下,越来越多的人选择更加便捷的飞机出行,随之而来的是航班量的极大增加,由于航班延误导致的问题,已经对旅客的出行产生了极大的影响,旅客迫切的希望能够获知航班起飞或到达的准确时间,从而为下一步的出行计划进行合理安排。目前,现有的航班延误预测方法主要针对航班延误分类问题进行研究,给出航班是否延误预测结果;对于航班延误回归问题,也只针对航班起飞或者到达延误一个方面进行研究,并且在研究过程中,由于影响航班延误的因素众多且复杂,航班与航班之间存在相互影响,且大部分为单一模型,导致预测结果不尽如人意。针对以上存在的问题,本文对航班延误预测的问题进行研究,具体内容如下:（1）考虑到影响航班延误的因素众多,且存在高度非线性关系,提出基于改进萤火虫算法（Improved FA Algorithm,IFA）寻优支持向量机（Support Vector Machine,SVM）的航班起飞延误预测模型。该模型将IFA算法用于支持向量参数寻优,基于最优参数构建SVM航班起飞延误预测模型,从而进行航班起飞延误预测。通过在美国公开航班数据集上进行对比试验,结果表明,该模型航班起飞延误预测结果准确率有所提升。（2）考虑到单一模型无法准确预测的问题,提出了基于长短期记忆神经网络（Long Short-Term Memory,LSTM）和梯度增强决策树（eXtreme Gradient Boosting,XGBoost）加权混合的航班到达延误预测模型。结合LSTM和XGBoost的优势,分别使用LSTM和XGBoost进行航班到达延误预测,然后采用多项式回归法进行加权组合,从而得到最终预测结果。通过在美国公开航班数据集上进行对比实验,表明该模型航班到达延误预测结果准确率有所提升。（3）基于影响航班延误的内在因素的分析,挖掘航班延误在机场地面网络的传播影响,从而提出了基于航班延误传播及注意力的双向LSTM-Catboost航班起飞延误预测模型（FBLCM模型）。计算同一航班链上前序航班到达延误对后序航班起飞延误的影响,从而得到延误传播影响,将延误传播加入模型中,通过加入注意力机制优化模型特征提取效果,同时采用Catboost代替双向LSTM的全连接层,提高模型泛化性能,从而得到更准确的航班延误预测结果。通过在美国公开数据集上进行对比实验,表明该模型的预测结果准确率有一定提升。（4）基于以上几种航班延误预测模型,设计了基于航班链的航班延误预测系统,并进行实现。系统基于航班链,根据用户输入的信息,判别航班否存在航班链,从而融合不同的模型进行航班起飞延误和到达延误预测,并将预测结果和相关信息展示给用户。