En los últimos años, con la creciente complejidad de la gestión del tráfico aéreo y el rápido desarrollo de la tecnología de automatización, extraer de manera eficiente y precisa información clave de grandes volúmenes de instrucciones de control de tráfico aéreo (ATC) se ha vuelto esencial para garantizar la seguridad de los vuelos y mejorar la eficiencia del control del tráfico aéreo. Sin embargo, esta tarea es desafiante debido a la terminología especializada involucrada y los altos requisitos en tiempo real para la recolección y procesamiento de datos. Si bien los métodos existentes de extracción de palabras clave han avanzado algo, la mayoría de ellos aún funcionan de manera insatisfactoria en los datos de instrucciones de ATC debido a problemas como irregularidades en los datos y la falta de conocimiento específico del dominio. Para abordar estos desafíos, este documento propone un modelo Roberta-Attention-BiLSTM-CRF para la extracción de palabras clave de instrucciones de ATC. El modelo RABC introduce un mecanismo de atención diseñado específicamente para extraer palabras clave de textos de instrucciones de ATC de múltiples segmentos. Además, el componente BiLSTM mejora la capacidad del modelo para capturar información semántica detallada dentro de oraciones individuales durante el proceso de extracción de palabras clave. Finalmente, al integrar un Campo Aleatorio Condicional (CRF), el modelo puede predecir y generar múltiples palabras clave en la secuencia correcta. Los resultados experimentales en un conjunto de datos de instrucciones de ATC demuestran que el modelo RABC logra una precisión del 89.5% en la extracción de palabras clave y una precisión de coincidencia de secuencias del 91.3%, superando a otros modelos en múltiples métricas de evaluación. Estos resultados validan la efectividad del modelo propuesto en la extracción de palabras clave de datos de instrucciones de ATC y demuestran su potencial para avanzar en la automatización del control del tráfico aéreo.