安全是民航稳定运行和发展的生命线,航空安全信息是保证航空安全的重要数据来源,而数据质量是影响数据分析的关键因素。本文针对民航安全信息数据填报质量不高,数据分类不准确等问题,提出了基于自然语言处理技术的数据质量提方法,初步实现了对事件信息中的简要经过和事发阶段两个维度的数据质量的提升,本文相关方法也可用于其他类型航空安全信息的数据质量提升。本文的具体的工作内容如下:（1）提出了一种基于Fast Text模型的民航安全信息填报要点提取方法。根据Fast Text模型运行速度快、准确性高的特性,最初由多个词语和N-gram特征进入输入层,在经过平均叠加的隐含层对词向量处理后,得到各个标签的概率作为输出结果,最终判定概率最高的标签为结果。选取选取鸟击、中止进近/复飞、外来物击伤、风切变四个事件类型作为实验数据,利用Fast Text模型构造分类器分别对四个事件类型的要点进行提取,最终得出各个事件类型的要点填报情况。（2）根据提取出来的事件类型的要点填报情况,选取鸟击事件为代表,利用关联分析中的Apriori算法建模,设置最小规则置信度为0.1,最低条件支持度为0.5,分别将事件类型的要点与各个管理局、航空公司以及机场进行关联分析,根据挖掘出来的关联规则得出以下结论:在七大地区管理局中,华东管理局对于“鸟击是否通报机务”填报情况最好;华北管理局对于“残留情况”的填报情好于其他管理局;中南管理局对于“起降阶段是否通报管制”的填报情况较好。在航空公司与机场的分析中,航空公司对于各个要点的填报情况要好于机场的填报情况。（3）提出了一种基于SVM模型的数据清洗方案。针对事发阶段中分类不准确问题,首先设计了一种基于one class svm的异常值筛选模型,筛选出其中分类错误的数据。然后,利用BERT模型对分类正确数据进行训练,利用经过训练的模型对筛选出来的异常数据进行重新分类。最终试验后的数据分类准确率提高了10.2%,数据质量得到了提升。