随着信息科学技术与传统工业技术的相互融合,涡扇发动机朝着复杂化、大型化发展。然而,传统维护方式存在着维护过度与维护欠缺等问题,难以胜任涡扇发动机的维护需求。因此,故障预测与健康管理（Prognostics and Health Management,PHM）应运而生。剩余可用寿命（Remaining Useful Life,RUL）预测是PHM的关键技术之一,若能准确预测设备RUL,据此作出合理的维护决策,可避免不必要的维护活动,以降低成本、提高设备可靠性。本文以涡扇发动机为研究对象,利用深度神经网络从设备状态监测数据中学习特征,从而预测其RUL。针对深度神经网络只能实现RUL预测点估计,引入蒙特卡洛Dropout来获得RUL的置信区间。最后将RUL预测算法集成,搭建剩余寿命预测软件。本文主要工作如下:针对涡扇发动机数据高维度、时序性的特点,构建注意力机制和时间卷积网络结合的RUL预测模型ATCN（Attention based Temporal Convolutional Network）。一方面引入时间卷积网络,用以提取状态监测数据中的时序特征;另一方面,在网络输入端引入注意力机制,使模型能自适应地对预测结果贡献更大的特征赋予更高的权重。基于NASA涡扇发动机数据集开展实验,实验结果表明,该模型能有效提升RUL预测的精度。构建基于蒙特卡洛Dropout的RUL区间估计模型。ATCN网络模型仅能给出预测结果的点估计,无法获取其置信区间。针对此问题,在ATCN网络模型中引入蒙特卡洛Dropout（ATCN-MC）,用以获得预测结果的不确定性。在NASA涡扇发动机数据集上开展实验,实验结果表明,该模型能有效获得预测结果在某一置信度下的区间估计。设计具有用户交互界面的涡扇发动机剩余寿命预测软件,并基于Qt框架实现。该软件包括数据分析与预处理功能,同时集成ATCN与ATCN-MC网络模型,实现RUL预测的可视化操作,可有效提高RUL预测效率。