航空发动机长时间工作在高温度、高载荷、高速度的复杂环境中，发生故障的可能性随着时间的积累而加大。预防和及时诊断出发动机的故障，既可以降低维修成本，保证发动机平稳可靠地运行，同时也可以减少事故，避免产生较大的人员和财产的经济损失。基于人工智能的机器学习方法能够构造多类分类学习模型并进行故障诊断，已成为当前研究的热点之一。目前，神经网络是人工智能在航空发动机故障诊断中的应用之一，但是神经网络需要大量故障样本进行训练，而且神经网络模型存在高维问题和局部极值问题，影响航空发动机故障诊断能力。本文研究了一种新型支持向量机的航空发动机故障诊断方法。该方法利用现有某型涡扇发动机的传感器记录数据，首先利用粒子群优化算法对核主元分析的核参数进行寻优，之后采用核主元分析方法对采集的数据进行降维，得到降维后的数据作为故障特征，其作为支持向量机的输入数据，建立支持向量机故障诊断模型。并通过测试样本检验诊断效果。实验结果表明这种支持向量机方法有较高的诊断准确率，并且还具有一定的抗干扰能力。因此，可以应用到实际航空发动机故障诊断的研究中。本文设计了基于Microsoft Visual C++6.0和SQL server2005的环境下的航空发动机故障诊断软件。该软件包括：数据管理模块、诊断算法训练模块和故障诊断模块。利用C++实现了故障诊断算法，相关故障数据保存到数据库，最后利用Microsoft Visual C++6.0实现整个软件的界面设计。