航班运控风险评估与控制是提升航班运行安全水平、提高航空公司安全保障能力的关键,如何进行高效准确的航班运行风险评估和采取哪些安全有效的风险控制措施是航空公司风险管控工作关注的重点问题。为了解决这一问题,结合厦门航空公司2019年航班运控风险数据,本文从机器学习的角度构建了航班运控风险评估模型。首先通过Adaptive Lasso算法对环境风险指标进行精简,将25个风险指标减少到21个风险指标。然后分别使用RBF神经网络算法和随机森林算法构建航班运控风险评估模型,以风险指标为输入变量,以风险值为输出变量,评估模型对高风险的准确率分别是76.50%和89.75%,表明随机森林的评估精度高于RBF神经网络。最后把动态数据驱动的概念应用于风险评估模型上,风险评估模型随数据的更新而进行调整,RBF神经网络评估模型的MAPE值由8.25%降低至4.56%,随机森林评估模型的MAPE值由5.80%降低至2.30%。结果表明使用动态评估模型可提高评估的精度。在进行风险评估基础工作后,基于复杂网络理论对风险传播和控制进行研究。首先在风险树的基础上构建无向风险网络,计算了该风险网络的度和度分布、聚集系数、介数等参数,该网络是一个无标度网络。然后使用SIR传染病模型模拟风险的传播,通过按照度、介数、聚集系数三种控制方式进行控制后感染节点峰值分别降低52.45%、55.47%和9.18%,说明按照介数控制效果最好。最后,考虑到实际应用问题,将无向风险网络改进为有向加权风险网络,再次使用SIR模型模拟风险的传播,通过采用入度、出度、总度、介数、聚集系数五种控制方式,总风险感染次数可下降6.03%、2.23%、5.25%、8.26%和0.11%,结果表明按照介数控制可有效降低风险的传播。