近年来随着民航业的快速发展,空中交通管理能力面临着交通量持续增长的考验。管制员是空中交通管理系统中的核心单元,其在工作中需要时刻关注空中交通态势,并在短时间中做出科学决策以解决飞行冲突。繁忙地区管制员的工作负荷过大已经成为制约空中交通管理能力提升的重要瓶颈之一。构建空中交通仿真平台,基于Agent和机器学习理论对管制员操作行为进行模拟研究能够为未来管制员智能辅助决策系统的研发等提供先期探索,具有重要的理论意义。机器学习技术能够在一定程度上模拟人类的操作行为。考虑到管制员操作行为所具有的状态识别、优化决策等基本特征,采用深度学习和强化学习技术对管制员的关键行为进行建模。本文在空中交通仿真平台中,设计了管制员Agent框架,定义了四种管制员基本操作行为。本文以FIPA-ACL通信协议实现了管制员的通信行为,并针对其它关键行为进行了系统研究。一是针对管制员的冲突探测行为,建立基于BADA的轨迹预测模型并嵌入管制员Agent冲突探测行为模块,以实现对航空器未来飞行状态的预估。预先定义三种冲突类别,并根据冲突类别对航空器冲突进行提取和分类,实现管制员的冲突探测行为仿真;二是针对管制员的冲突调配行为,对历史雷达轨迹数据进行预处理,生成学习样本集,建立基于深度置信网络的管制冲突智能调配模型并将其嵌入管制员Agent冲突调配模块,根据当前冲突特征来寻找历史轨迹数据中相同类别的场景,并从场景中提取解脱方案,实现冲突解脱行为仿真;三是针对管制员的学习行为,建立冲突调配基础知识库和基于强化学习的管制员Agent学习模型,进行管制员学习行为仿真,最后,基于冲突调配效果评价分析对冲突调配行为进行相应的优化改进。仿真实验表明本文所构建的管制员Agent行为模型可以较好地对管制员的不同行为以及各个行为之间的交互进行模拟,从而验证了本文所构建的基于Agent和机器学习的管制员行为模型的有效性。