近年来,航班流量持续增长使得空域内的交通运行情况变得日益复杂,作为空管系统中提供交通管制服务的主体,空中交通管制员面临着巨大的工作压力,因管制员工作负荷过大导致的管制不安全事件时有发生。为确保整个空管系统安全高效地运行,扇区动态配置、交通流量管理等运行调控措施陆续施行以保证扇区内交通运行复杂程度处于管制员能力所能掌控的范围内,如何准确评价扇区交通运行复杂程度成为实施空管运行调控措施的关键。针对这一问题,本文从有监督学习的角度出发,对扇区运行复杂度评估问题展开研究,主要工作包括:（1）对现有相关研究的综述及实验数据集的构建。本文分别从单维度和多维度两个层面出发,综述了国内外空中交通复杂度评估方面的研究成果,并对存在的不足进行了归纳分析;同时构建了面向机器学习和深度学习的大规模扇区运行复杂度评估数据集。（2）针对扇区运行复杂度标签中普遍存在的人为噪声问题,本文提出了一种基于集成置信学习的复杂度噪声样本检测方法。该方法运用置信学习算法来筛选标签噪声样本,使用集成学习的思想来增强识别噪声的鲁棒性,依据综合噪声置信水平对噪声样本进行选择性剔除,有效解决了含标签噪声样本场景下的扇区运行复杂度评估问题。（3）针对扇区运行复杂度特征空间的完整性问题,本文在现有复杂度特征体系基础上补充了空管领域知识、时序依赖特性和数据分布特性3大类新特征,引入基于信息论的特征选择方法对关键复杂度特征进行筛选,使用集成学习模型挖掘关键特征与复杂度之间的关系模式用于构建扇区运行复杂度评估模型。实验结果表明补充的新特征、关键特征选择策略以及集成学习模型有效提升了扇区运行复杂度评估任务的精度。（4）针对复杂度手工特征描述能力有限、计算代价大的问题,本文提出了一套基于深度卷积神经网络的扇区运行复杂度评估框架（Sector Operation Complexity Evaluation using Convolutional Neural Network,SOCNN）。该框架通过构建空中交通态势“图像”描述空中交通信息,使用深度卷积神经网络从构建的“图像”中自动提取复杂度特征并完成复杂度评估模式的挖掘,首次实现“端到端”的扇区运行复杂度评估流程。在真实数据集上的实验证明了该方法较传统基于手工特征的机器学习方法具有更加优越的扇区运行复杂度评估性能。