航空业的竞争愈发激烈,高效且准确的客户忠诚度预测模型有利于提高企业竞争力。目前航空数据集存在严重分类不平衡和特征维度多等问题,国内外对于航空客户价值预测分析尚处于研究阶段,为忠诚度预测工作带来了很大的挑战。而且,在现实场景的航空业领域中,未标记客户数据容易获取,但是大量的有标记数据获取成本昂贵,仅用少量的带标记样本建立忠诚度预测模型性能不佳。因此,本文从企业的实际需求角度出发,建立适用于航空业的高效、实用的忠诚度预测模型,辅助企业管理者准确地预测客户忠诚度。本文主要做出了以下研究:1)为了更好的处理航空客户数据分类严重不平衡和特征属性多的问题,本文采用自适应粒子群优化（APSO）算法对样本子集质量进行优化,得到平衡数据集,提高少数类分类性能。使用卷积神经网络（CNN）对得到的平衡数据集提取主要特征属性,最后把自动得到的特征向量输入到随机森林（RF）算法中,构建客户忠诚度预测模型。实验证明,该方法在航空客户忠诚度预测中达到了较好的预测性能。2)为了更好的与现实场景中航空业客户数据人工标记成本高相结合,本文提出了一种基于半监督随机森林的航空客户忠诚度预测框架。该模型采用Lasso方法计算出特征权重进行随机子空间的特征选择,生成多个差异性大的决策树分类器,并减少不重要特征对模型的预测影响。此外,针对分类器数量太多导致各个分类器差异性小和时间复杂等问题,将分组思想引入到随机森林算法之中,通过迭代的方式将其他两组辅助决策树组学习到的预测结果相同且置信度高的样本按比例加入到主要决策树组,减少了错分样本的影响。经实验证明,该方法的预测性能比有监督学习模型更好。