目前航空发动机大多依靠手工装配,自动化和智能化程度较低,装配的质量控制较为困难。在航空发动机装配完成之后,需要对航空发动机进行试车检测。若航空发动机的振动值出现异常,则需要对航空发动机进行装配状态调整,并重新进行试车,直至满足装配要求。在装配过程中,航空发动机的受控装配参数众多,但并不是每个装配参数都对振动值有影响,如果能在众多的装配参数中找出对振动影响较大的装配参数,剔除冗余和无关的装配参数,就可以在装配过程中加强操作人员对这些重点参数的关注。在此基础上,如果能够建立航空发动机装配参数与振动参数之间的关联关系,预测装配后的振动值,则可以大大提高发动机的一次装配成功率。本文以某型号发动机装配参数与振动参数为研究对象,针对装配参数众多且里面包含大量对振动的冗余参数和无关参数的问题,提出了基于偏最小二乘回归（PLSR）的改进弹性网络特征选择算法,从众多的装配参数中,选择出与振动关联性较强的装配参数,剔除冗余和无关参数。针对现有的航空发动机装配与振动参数样本数量少的问题,本文提出基于生成对抗网络GAN的航空发动机装配振动样本扩充模型。通过在传统GAN模型中加入两个回归模型,使其生成的数据不仅满足装配参数与振动参数的数据分布,还可以学习到装配参数与振动参数之间的关系,从而提高生成数据的质量,更利于挖掘装配参数与振动参数间的关系。针对传统的回归模型难以寻找合适初始化参数以及对装配与振动数据拟合效果较差的问题,提出基于模型无关元学习（Model-Agnostic Meta-Learning,MAML）的装配振动参数回归模型。通过改进MAML算法中测试任务支撑集和查询集的选取,将MAML算法应用到装配与振动参数的回归模型构建中。实验表明,基于MAML算法的航空发动机装配振动回归模型可以自动寻找合适的初始化参数,大大提高拟合的效果,可以准确地预测装配参数对应的振动值。本文的研究对于揭示航空发动机的重点装配参数及其对发动机整机振动的影响规律,进而减少试车次数、节省装配时间、降低生产成本都具有重要的实际应用价值。