随着我国国民经济水平的提高,航空运输业得到了飞速发展,选择航空出行方式的人们也日益增多,加之连续发生的几起重大空中交通事故,安全问题成为了人们时下的热点话题。先前的研究主要从人、机、环境、管理四个方面对航空安全进行风险调查和估算,对民航不安全事件的研究起步较晚。传统的数据挖掘方法虽然可以达到特征分析的效果,但很难达到对不完整民航事件进行预测推理及对含噪声的完整民航事件进行风险识别的目的。因此,文中主要围绕这两个问题展开研究,建立了相应的模型,并通过实例进行了验证。具体内容安排如下：(1)民航不安全事件波动特性分析对本文所研究的民航不安全事件做了分类与描述,分别采用统计分析、时间序列分析及关联规则分析三种方法对民航不安全事件的波动特性进行了深入探索。通过总结以上几种传统数据挖掘方法的优缺点,提出了本文有待解决的两个重要问题：民航不完整事件的预测推理和含噪不安全事件数据的风险识别。(2)基于贝叶斯网络的不完整民航事件的预测推理针对当前民航不安全事件中存在大量不完整数据的情况,本文依赖于贝叶斯关联网络对未知风险因素作出了合理的推断和预测。在将完整数据与不完整数据分组的前提下,采用爬山搜索与评分函数相结合的算法,得到了与完整不安全事件数据拟合最优的网络结构：并依赖团树传播算法的优势,对民航不安全事件实例中缺少风险因素的不完整事件进行了预测推理和关联分析,保证了数据的完整性,为航空事故调查提供了参考。(3)基于CEEMD的民航不安全事件风险识别针对民航含噪数据的风险识别问题,引入了CEEMD去噪分析理论,首次通过CEEMD分解达到了对民航不安全事件噪声诊断和高发风险识别的目的。以鸟击事件为实例,通过对分解的各个模态在时间尺度和余项上的研究,提取了鸟击事件风险变化的周期特征和趋势特征,将分析结果与统计结果交叉验证,证明了此方法的有效性。此外,引入差分操作进行数据恢复,并将去噪前后鸟击风险值的高发时段做了对比分析。