航空发动机是飞机中最为重要的部件之一,航空发动机部件众多,结构复杂,且其工作环境比较极端,出现故障会造成极大损失,故其安全性和可靠性问题一直以来是一个比较重要的研究方向,其中预测与健康管理技术（PHM）作为复杂工业设备中比较先进的技术,对航空发动机的可靠性问题有着极其重要的作用。寿命预测是PHM技术中的核心部分,准确的预测结果能够给运维人员提供详细的数据支持,以供运维人员及时了解发动机的当前状态作出相应的维修计划。数据驱动的RUL预测方法主要是利用传感器进行状态监测并根据历史退化数据库,通过智能技术建模分析发动机当前的健康状态,并预测发动机的退化过程,以实现RUL的估计。数据驱动单纯从数据入手,挖掘数据中退化信息,不需要复杂的机理建模,为RUL的预测提供了极大的便利。论文主要工作如下:1)针对如何选取多维数据中的有效特征,提出了基于信息熵测度的性能退化特征选取方法。将信息熵理论的方法引入到性能退化特征的研究当中,利用其对于数据的非线性特征的提取能力及数据所包含的信息量的定量分析能力来进行多维数据的退化特征选取。采用熵测度的两个基本指标:信息熵测度与互信息测度,其中信息熵测度用来分析多维数据所包含的退化信息量的大小,互信息用来分析多维数据与退化过程的相关程度,并结合二者通过综合指标进行参数的定量选取。通过实例验证了采用信息熵测度选取方法的有效性。2)针对发动机运行前期退化征兆不明显的情况,提出了基于变点检测的相似性RUL预测方法。通过ruptures库实现发动机退化变点的检测,将发动机的退化过程分为两个阶段,并通过变点实现发动机的分阶段相似性度量,通过实例对提出的方法进行了验证。3)针对单一方法建模时存在的局限性,提出了基于相似性的高斯过程回归的预测模型。在变点检测的基础上,构建分段退化模型,对发动机的寿命标签进行重构,然后采用相似性方法与回归方法相结合的预测方法,通过融合模型进行发动机RUL预测研究。