El sector de control de tráfico aéreo (ATCS) es la unidad básica del sistema de espacio aéreo. Si podemos identificar la congestión de un ATCS, ayudará a proporcionar apoyo en la toma de decisiones para la planificación y las operaciones diarias. Sin embargo, los métodos actuales caracterizan principalmente la congestión desde la estructura estática y las características operativas dinámicas, lo que resulta en una mala generalización y operabilidad. Con este fin, proponemos un método de aprendizaje profundo desde la perspectiva de redes complejas. Toma las aeronaves como nodos para construir una red de aeronaves y utiliza los índices de complejidad para caracterizarla. Así, el problema de identificar la congestión se convierte en la complejidad de la red de aeronaves. Inspirados en métodos de aprendizaje activo, construimos un modelo de aprendizaje activo profundo (DAL) para el reconocimiento de congestión. Adopta un enfoque semi-supervisado iterativo para reducir el número de muestras etiquetadas mientras asegura el rendimiento del reconocimiento. Para aprovechar al máximo un gran número de muestras no etiquetadas, se emplea un autoencoder disperso para caracterizar todas las muestras etiquetadas y no etiquetadas. La capa oculta de la red neuronal profunda se construye apilando. En el proceso de iteración del aprendizaje activo, se introducen la confianza mínima, el muestreo marginal y la entropía de información como medidas para seleccionar muestras del conjunto de muestras no etiquetadas con características significativamente diferentes del conjunto de muestras etiquetadas. El modelo se aplica a tres sectores representativos en el espacio aéreo de China como casos. Los resultados sugieren que DAL puede reducir la redundancia del conjunto de muestras etiquetadas y lograr el rendimiento deseado con el menor número de muestras. Además, DAL es superior a los métodos principales existentes en los cuatro índices de evaluación objetiva.