航班延误一直困扰是国际国内民航业的一个热点问题。近年间我国航空延误日益加重,已经影响到民航业的发展,改善延误状况迫在眉睫。航班延误多发生在繁忙的枢纽机场,枢纽机场又是多数航班的转乘点,是航班链中的关键环节。当航班延误发生在繁忙的枢纽机场时,延误在航班链中的波及将不可避免。减轻繁忙枢纽机场的延误,可以使整条航班链,继而整个民航系统的运行状态得到改善。本文将某繁忙的枢纽机场AIRPORTP作为主要研究对象,对其中的进、离港延误,延误波及进行建模与预测。本文基于贝叶斯网络的理论,面向枢纽机场和航班链内的航班延误与波及,提出了多种算法与学习方法。首先,面向繁忙的枢纽机场,本文将贝叶斯网络参数学习算法应用到航班延误的预测领域。针对基于专家经验的网络结构维度过高、运算量过大的问题,且会使每种状态下的样本量不足的问题,提出了两种解决方案:一是独立属性抽取,通过分析各属性间的相关性,分割网络结构。此方案运行速度快,方便处理大数据集;二是精简优化模型,通过回归分析,剪除关联性低的节点,以降低网络的维度,此方案正确率高,速度比方案一慢,适合处理较小的数据集。本文通过分析和建模发现进、离港拥有同样的属性和网络结构,基于方案二建立了延误波及的对称性模型PMofA。其次,面向航班链中的延误波及问题,本文在利用贝叶斯结构学习算法对进、离港延误进行建模的基础上,使用混合学习方法建立MSP模型。同时还提出了一种改进型的K2结构算法TFK2,TFK2比传统的K2更适合为航班延误的建模,速度更快,准确率更高。继而基于TFK2算法,提出一种能够产生冗余节点的协商结构算法,由该算法生成的网络结构中,经过协商,不同条件下的节点间会存在竞争或冗余两种状态,使网络的预测准确率和速度都得以提高。再次,基于集成学习理论和TFK2贝叶斯结构算法,本文还提出了一种带有自反馈的航班预测集成学习系统SEFS。该系统中包含有三个子学习器,通过对三个子学习器的训练,可以对航班延误情况进行预测。依据预测的结果,用颜色和概率表示对航班延误进行预警,使预警更具人性化。最后,应用SEFS系统,以AIRPORTP为例,对其中一定时间段内的延误航班数量进行预测,面向繁忙的枢纽机场发布预警;应用SEFS系统对特定航班的延误时间进行预测,面向航空公司与乘客发布预警。