在空中交通系统中,终端区是重要的组成部分,主要设立在一个或几个主要机场附近。终端区的运行情况好坏直接影响空中交通的有序运行。相关流量管理人员对终端区交通的运行状况与发展趋势正确把握,有利于及时制定有效的流量管理措施,保障整个空中交通网络的流畅运行。目前,有学者对于终端区交通态势识别与预测方法进行研究,但是这些方法都是基于单个终端区而进行的,没有考虑终端区之间的相互流通关系。为此本文面向多终端区进行了交通态势识别与预测方法研究。基于现有的交通态势识别研究方法,提出了一种遗传算法与熵值法改进模糊C均值聚类（Fuzzy C-means Clustering,FCM）终端区交通态势识别方法。改进后的FCM算法在聚类过程中能全局搜索寻找全局最优的初始聚类中心以及根据聚类样本各指标的重要性赋予各指标不同权重,极大提升了FCM算法的识别效果。根据实例验证结果,相较于FCM算法,改进FCM算法的Xie-Beni系数提升35%,在上海终端区与成都终端区的交通态势与交通流量趋势对比分析中,基于改进FCM的交通态势识别方法具有更优的识别效果。基于现有的交通态势预测研究方法,提出了一种基于改进图马尔可夫神经网络（Graph Markov Neural Network,GMNN）的多终端区交通态势预测方法。改进方法在GMNN模型基础上增加了注意力机制与归纳学习策略,不仅能充分挖掘不同终端区间的依赖程度,而且具有更好的泛化能力。根据实例验证结果,改进GMNN模型在测试集准确率达90.6%,相较于反向传播（Back Propagation,BP）神经网络、图卷积神经网络（Graph Convolutional Networks）、图注意力神经网络（Graph Attention Neural Network）以及GMNN等模型,预测准确率分别提高7%、5.4%、2.3%、2.2%。通过数据可视化验证,预测结果符合客观规律,能够实现多终端区的交通态势精准预测。本文提出的多终端区的交通态势识别与预测方法,在微观层面上,可为终端区管制员的管制决策提供数据支撑,有利于终端区的交通运行;在宏观层面上,可辅助相关流量管理人员制定更平衡的空中交通流量管理措施,促进民航运输业协调发展。