随着航空业的不断发展,大力培养高素质高水平航空人才、构建高质量教学体系、努力确保民用航空绝对安全,已经成为全民航从业人员的重要共识。本文以飞行培训行业为切入点,探索构建基于机器学习的飞行训练超限事件识别模型和基于超限事件的飞行训练品质评估模型,旨在帮助飞行培训机构更好地识别超限事件、发现训练安全隐患、提升训练教学质量。本文通过对飞行训练品质监控的应用研究,优先确定了超限事件监控项目,在此基础上,利用专家评议、问卷分析等方法,构建了基于超限事件的飞行训练品质评估指标体系;根据飞机机载SD卡数据特征,利用python语言对样本数据进行缺失值填充和数据集划分,并基于GBDT分类算法实现对飞行训练超限事件的智能识别。选用ACC曲线、混淆矩阵对模型识别效果进行评价,根据计算结果,ACC值达到96%以上,模型性能指标均处于优异水平;对照飞行训练评估指标体系,运用基于方差最大化原理的CRITIC-G1方法对指标的主客观权重进行优化组合,借助加权TOPSIS模型实现对飞行训练品质的量化评估,同时引入RSR法建立分级标准,实现对飞行训练品质等级的划分。通过收集某航校连续14个月的评估指标数据进行实例分析与验证,该模型评估效果良好,评估结果与训练运行实际情况相符。本文研究的超限事件识别模型克服了传统的“阈值+规则表达式”识别方法存在的缺陷,提升了超限事件识别的效率;所构建的基于超限事件的飞行训练品质评估模型不仅实现了定量评估还做到了定性评价,可以为训练运行管理提供决策支持。