跑道结冰威胁航空器地面运行安全，准确预测道面温度与结冰状态至关重要。为解决传统跑道结冰预测方法在处理复杂工况、数据稀缺与物理一致性方面的不足，本文提出基于物理信息神经网络（PINN,physicsinformed neural network）的跑道结冰预测方法，将多层结构热传导与水冰相变机理嵌入深度神经网络，在稀疏数据下实现温度场与水冰状态的高精度预测，并结合自主设计的结冰模拟实验数据，将有限差分法（FDM,finite difference method）与PINN求解结果进行对比。结果表明，数据-物理联合驱动的PINN温度平均预测误差较FDM降低约90%，仅为0.21℃，具备从有限数据重建全域温度场的能力。此外，本文还分析了盐分降低冰点、延缓结冰与抑制冰层生长的作用机制。本研究可为跑道结冰预测提供新的技术路径。