民航飞机根据4D航迹飞行是从起飞、爬升、巡航、下降、着陆全阶段进行空间三维和时间维度的精细化控制,而基于4D航迹的运行将是未来空管系统的核心运行概念。空中交通情况复杂多变,飞机的轨迹会受到天气、管制等诸多因素的影响,但在实时系统中,如何充分利用飞机的位置和状态信息做出快速有效的分析和预测,为系统或管制员提供实时的参考信息,已成为该领域的一个研究热点。随着广播式自动相关监视（ADS-B）的推广,各飞机的实时位置和动态可以被地面站和其它飞机所获取,高频率的历史轨迹数据和实时数据,为飞机航迹的模式挖掘和模式识别提供了宝贵的信息。然而,目前存在的问题是:迭代式的4D航迹预测得到的轨迹点较为稀疏,实时性不强;ADS-B数据的利用率低,信息并未充分挖掘;自动构建深度神经网络应用模型的方法时间成本高、对硬件的需求大。因此,结合空中交通管理（ATM）的需求,本文深入分析了大量ADS-B历史数据,研究了能以直接法进行预测的深度生成模型、特征提取算法和网络结构自生成算法,针对4D航迹预测的具体任务,提出了一个分步模型结构自生成策略和一个基于自生成深度神经网络的4D航迹预测算法,并通过实验分别分析了模型的生成过程和算法的预测精度、时间延迟等,验证了策略和算法的有效性。此外,本文还针对高密度的ADS-B数据提出了一个数据压缩策略,提高了模型结构搜索的时间效率。本文从实现系统辨识的角度对研究内容进行了任务分解,从数据分析和预处理,到理论分析和技术选择,到策略和算法的提出和验证,最后通过一个基于4D航迹的流量预测应用场景,检验了模型的精度和效率。实验结果表明,相较其它研究和实现方法,本文提出的策略能够较高效得生成所需应用模型,且具备可扩展性;所提出的算法实现了预测精度更高、实时性更强的4D航迹预测任务。