随着科学技术飞速发展,现代工业系统复杂度日益提升,并对可靠性有着更高的要求。故障预测与健康管理技术在保障设备稳定运行,减少维护花费具有重要作用,剩余使用寿命预测是该技术的关键。基于数据驱动的剩余使用寿命预测方法可以从设备传感器数据中获得设备退化失效特征,不需要对复杂部件建立精确的物理或数学模型。基于数据驱动的深度学习预测方法发展迅速,并有效提升了剩余使用寿命预测的精度。但是在实际工业生产中所采集的传感器数据具有高维且工作场景复杂等特点,带来了特征利用不充分,预测不够精确等问题。因此,根据不同工作场景如何建立准确的剩余使用寿命预测模型是当前的一大挑战。为此,本文的主要工作如下:（1）为了同时关注传感器数据中的关键特征和次要特征,提出了一种主次特征互补剩余使用寿命预测网络。具体地,设计了一个特征互补网络来提取设备退化的主要特征与补充特征用于预测设备的剩余使用寿命。主干网络基于主成分分析-卷积神经网络,提取传感器数据中主要退化特征。在特征补充网络中使用概率主成分分析-门控循环单元,补充主成分分析过程中丢弃的非主要成分包含的隐藏退化信息,进而提升寿命预测的准确度。在单一故障、单一工况的实验场景下,选择涡扇发动机作为研究对象,根据航空发动机具有数据高维、噪声复杂的特点,本文通过对传感器序列数据进行趋势分析,完成无效数据剔除及噪声数据滤除,获得有效特征。利用主成分分析-卷积神经网格提取关键特征,使用概率主成分分析-门控循环单元关注次要特征,并将两个网络的预测结果融合,提升了发动机剩余使用寿命的预测精确度。（2）为了更好提取传感器数据中深层退化特征,提出了一种残差并行池化融合注意力机制剩余使用寿命预测网络。具体地,设计了一个并行池化融合通道注意力模块,通过整合平均池化与最大池化的输出,提取传感器数据中关键退化特征并保留全局特征。为了使网络在训练时关注序列内部重要的关联信息,引入了空间注意力模块。并根据实验场景设计了基于残差网络的剩余使用寿命预测网络,在不同实验场景下均能提取深层退化特征,获得优良的寿命预测模型。（3）为了进一步充分的利用传感器数据,提出了一种特征融合多级注意力剩余使用寿命预测网络。具体地,首先设计一个特征融合网络,使用不同感受野提取不同尺度下的退化特征,并对提取到的特征进行融合获得多尺度退化特征;进而设计一个多级空间注意力模块并结合通道注意力对关键特征的序列内部关联信息进行提取;由于特征融合网络和注意力模块提取了更为有效的融合特征,该网络进一步提升了寿命预测的精度;同时引入学习率衰减策略,加快模型训练速度。在不同故障、不同工况的场景下对上述三个所设计网络进行验证,结果表明所设计网络具有较好的有效性。