着陆安全一直都是民航安全管理的一个热点问题。研究发现,重着陆事故可能引起飞机结构损伤,如果未能及时排查维修,就会产生安全隐患,甚至威胁旅客的生命安全。因此,对飞机重着陆的准确诊断是保障飞行安全的重要一环。对航空公司来说,如果漏判,会产生潜在隐患;如果误判,会造成资源浪费,增加不必要的成本。结合目前航空公司对重着陆诊断方式存在的局限性,本文使用机器学习方法对重着陆诊断问题展开研究。首先,本文从“人-设备-环境”多个角度选择影响重着陆的特征,分别使用SVM、随机森林、神经网络三种机器学习方法建立多参数重着陆诊断模型,并比较了模型的效果。然后,由于重着陆事故较少,建立模型时存在样本不平衡的问题导致影响模型效果,故通过调整权重更新公式的方式提出了改进的AdaBoost算法,和原始AdaBoost算法对比实验后证明了该改进模型的有效性。最后,针对模型评价指标过多,不易直观判断模型优劣的问题,提出了基于TOPSIS的模型效果评价方法,该方法可以综合多指标给每个模型一个综合得分。我们将上述模型结果输入,结果表明,使用改进的AdaBoost算法建立的重着陆诊断模型具有最好的效果。