随着民航业快速发展,持续快速增长的航空运输需求与有限的空域资源之间的矛盾逐渐凸显,导致空域拥挤现象日益严重。因此,对空域扇区的拥挤现象进行监控,将有助于空中交通管理部门掌握空域拥挤情况,为日常运行和空域规划提供决策支持。本文对扇区拥挤等级识别和预测进行研究,包括扇区拥挤指标构建、拥挤识别模型以及拥挤预测方法三个方面的内容。本文从复杂网络的角度,将扇区拥挤程度识别问题转化为扇区内航空器网络复杂性的综合评价。首先,根据扇区内所有航空器的飞行信息,构建以航空器为节点的网络,航空器之间的相互关系构成了网络的边。最后,针对航空网络的特点,选取网络节点数,平均节点度等七个复杂度指标来表征扇区拥挤程度的指标。在指标构建的基础上,提出一种基于深度主动学习的拥挤程度识别方法,在保证识别性能的同时减少标记样本的数量。为了充分利用大量无标记样本的特征信息,在主动学习迭代之前,利用堆栈稀疏自编码对所有标记样本和无标记样本进行特征表示,并利用标记样本集训练输出回归层的参数。在主动学习迭代过程中,引入最小置信度、边际采样和信息熵作为样本采样度量,从未标记样本集选择与已标记样本集特征差异较大的样本,减少有标记样本集的冗余,从而以最小的样本标记,达到理想的模型性能。实验结果表明,本文方法在各项指标上均优于现有主流方法。之后在指标构建与拥挤识别的基础上,提出一种基于随机森林算法的拥挤程度预测方法,目的是为了建立起扇区拥挤度量指标与扇区拥挤等级之间的联系。采用有放回抽样的方式从原特征数据集中抽取出多个数目与原特征数据集相同的子数据集,并针对每一个子数据集构建子决策树,通过多次迭代稳定每棵子决策树中的分类方式,使模型达到理想的性能。当新数据产生时,最终结果由所有子决策树结果中的众数决定。实验结果表明,本文方法在各项指标上均优于现有主流方法。