分析航空运输网络演变态势,提前预知未来最有可能出现的新航线,不仅是民航部门和地方政府适时调整发展战略的重要依据,而且对增强网络结构鲁棒性、确保整个网络持续良性发展有重要意义。目前,链路预测技术在未来新增航线发现问题上的研究仍处于探索阶段,主要采用的是基于相似性的链路预测方法,存在相似性指标选取主观化、网络信息挖掘不充分等问题。为解决这一问题,进一步提升预测准确度和模型鲁棒性,论文将图神经网络与链路预测技术相结合,在中国航空运输网络实际运行数据上研究未来新增航线的预测问题。具体研究工作如下:针对现有基于相似性的链路预测方法存在的指标选取依赖人为假设的前提条件、模型可扩展性较差等问题,从航空运输网络自身结构特征出发,提取局部封闭子图,标记子图节点角色,并在此基础上利用图卷积神经网络的自学习特性,从航空运输网络的结构演变中学习新航线产生的原因和驱动力,构建基于图卷积神经网络的链路预测模型NARP（New Air Routes Prediction）实现对未来新增航线的预测。在中国航空运输网络实际运行数据上的实验结果表明,较之基准算法,NARP的预测准确率最高提升9.28%,但模型的鲁棒性能尚待提高。针对NARP模型存在的指标单一（仅考虑网络结构特征）、鲁棒性不高等问题,考虑到通航城市政治经济环境以及本地机场运营发展状况等会对新增航线产生影响,采用因子分析和层次聚类的方法提取节点（通航城市）层次属性,进一步优化NARP模型,构建融合网络结构与节点属性的链路预测模型NARP-SA（New Air Routes Prediction–Structure＆Attributes）。实验结果表明,在网络极度残缺的情况下,NARP-SA的预测准确率能保持在80%左右,预测准确率和鲁棒性能均较NARP有了进一步提升;并且NARP-SA预测的前15条航线中几乎有一半实际地出现在真实航空运输网络中,表明NARP-SA预测结果符合网络实际演变情况;将NARP-SA的预测结果添加进航空运输网络之后,网络的连通性和稳健性得到较大提高,表明NARP-SA在契合航空运输网络自身演变规律的基础上,能够达到网络结构优化的目的。