随着民航业的发展,航班延误逐渐成为人们关注的热点,航班延误对我们的日常出行造成了很大困扰,因此更为准确的航班延误预测能帮助人们合理的安排出行计划。神经网络已经用于航班延误预测的研究,但现有方法其神经网络模型结构往往比较简单、且考虑的影响航班延误的因素不够全面,使得航班延误预测的准确率不够高。针对现有基于神经网络模型预测方法的不足,本文提出了一种基于长短期记忆与残差网络(LSTM-ResNet)的航班延误预测模型。本文所提模型采用了循环神经网络(RNN)中的长短期记忆网络(LSTM)结构和卷积神经网络(CNN)中的残差网络(ResNet)结构。通过采用LSTM结构,所提方法能够提取到航班信息中隐藏的时序性特征,而ResNet结构能够在网络层数加深的基础上保留浅层网络中的特征,使特征在深层网络中不被损耗,解决了网络结构加深导致的梯度消失问题。另外,所提方法相对以往模型考虑了更多的影响因素,包括天气状况因素,并将航班信息与天气信息进行数据融合,使网络模型对数据的特征提取能力进一步增强。本文提出的航班延误预测模型分别针对单航班数据集和单机场数据集进行了与传统方法的实验对比,实验结果显示该模型的预测准确率相比传统的方法均有提高。最后,本文设计并实现了航班延误预测平台,能够对未来航班的延误等级进行预测。