随着民航业的发展,航空运输量的增加和飞机设计要求的提高使得航空运营风险及其复杂度呈不断增长趋势。基于经验的航空风险定性分析方法在一定程度上能够有效保障航空运营安全,但其自身局限性也限制了航空安全水平的进一步提高。如何运用数据技术建立更具前瞻性、更为精确化的航空运营风险管理体系,提高航空安全的风险预警能力是当今航空业发展过程中亟待解决的问题。本文对基于机器学习的航空运营风险预警模型进行研究:针对航空运营风险事件,建立了一种航空运营风险预警参数识别方法,通过机理分析提取事件关联要素并建立预警逻辑,结合QAR参数集识别选取航空运营事件的风险预警参数。研究了航空运营样本数据处理方法。在航空运营事件判定及风险区间划分的基础上提出了航空运营样本风险类别确定方法;根据参数数据特性,给出了基于多项式曲线拟合、遗传优化BP神经网络等方法的风险预警参数空缺值填补方法。基于支持向量机分类理论,以遗传优化和自适应变异粒子群优化的航空运营风险分类器为核心,建立了的航空运营风险预警模型,通过风险预警参数实时数据的监控并分析实现该模型的风险预警功能,并以重着陆、APU-IGV叶片断裂为例验证该风险预警模型的有效性。