粒子群优化(Particle Swarm Optimization,PSO)算法是一种智能优化算法,具有结构简单、参数少以及全局寻优能力强等优点,广泛应用于众多领域。本文在研究粒子群优化算法理论以及算法参数、性能的基础上,构造了一种改进的粒子群算法,并将其与神经网络以及支持向量机结合,建立了两种液体火箭发动机故障诊断模型,应用在航天发动机健康管理中。在PSO改进算法中,本文引入粒子间的相似度来判断粒子群中的聚集度大小,用聚集度大小度量群体粒子的多样性程度,并根据群体粒子中的多样性程度,引入随机变异对群体中的粒子产生变异,通过重新调整粒子的位置,从而避免粒子群算法陷入局部最优。在PSO算法研究的基础上,本文用改进的粒子群优化BP神经网络的权值和阈值,搜索到最优位置赋给BP神经网络,得到最优的网络结构,然后通过选取的训练样本数据训练故障检测模型,最后使用该模型对测试数据进行检测,从而建立改进粒子群优化BP神经网络的液体火箭发动机(Liquid-Propellant Rocket Engine,LRE)故障检测模型。针对实际诊断中故障样本数据十分有限,本文将改进的粒子群算法与非常适合小样本数据检测的支持向量机(Support Vector Machine,SVM)结合起来,对核函数宽度和惩罚因子,这两个决定模型的泛化能力和稳定性的关键参数进行优化,建立改进粒子群优化最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)的故障检测模型,运用到液体火箭发动机的故障检测中。仿真实验表明,以上两种液体火箭发动机故障检测算法均具有较高的准确性,对于故障预测、减少虚警或漏警现象、提高航天发射的安全性,具有积极的意义。最后,论文构建了一种航天发动机健康管理测试平台,集成本文建立的故障检测模型后,能在航天发动机健康参数实时收集管理的同时完成故障检测。