航空发动机的健康状态直接关系着飞机的安全运行。由于航空发动机结构复杂、运行环境多变,难以建立准确的健康监测物理模型,因此研究基于发动机运行数据的人工智能性能预测方法具有重要意义。本文采用数据驱动的方法,研究发动机性能参数预测和剩余寿命预测问题,主要研究内容和创新成果如下:第一,提出 了深度卷积神经网络（Deep Convolutional Neural Networks,DCNN）排气温度预测模型。首先,对某航空公司提供的真实航空发动机数据预处理,采用滑动窗口方法根据时间序列的长度和特征数构造时间序列样本集;其次,从池化层个数、卷积层个数和时间窗口长度三个方面设计DCNN预测模型具体结构;最后,采用CFM56-7A发动机数据验证该模型的预测效果,实验结果表明该模型可以自动提取原始数据中隐含的深层特征,实现航空发动机排气温度预测。第二,提出了 DCNN-LightGBM排气温度预测模型。首先,分析轻量化梯度促进机（Light Gradient Boosting Machine,LightGBM）的原理及结构,明确其具有更优的决策效果;其次,基于DCNN排气温度预测模型,利用LightGBM的优势,建立了 DCNN-LightGBM组合预测模型,该模型可以在DCNN排气温度预测模型基础上进一步降低损失函数陷入局部最优值的概率,提高预测能力;最后,结果表明该组合模型比其他方法具有更高的预测准确度和更强的鲁棒性。第三,提出了 DCNN-LightGBM剩余寿命预测模型。首先,对发动机原始数据进行预处理并筛选特征;其次,构建用于提取发动机退化信息的DCNN模型结构,设计适用于剩余寿命预测问题的损失函数,建立DCNN-LightGBM剩余寿命预测模型,进一步逼近发动机真实剩余寿命;最后,采用该模型预测发动机剩余寿命,与其他经典方法相比,该模型能更准确的预测发动机剩余寿命。综上所述,针对航空发动机排气温度和剩余寿命的预测问题,本文提出了DCNN和DCNN-LightGBM预测方法,完成了发动机性能预测任务,对于保证飞机安全运行,降低维修成本,具有重要的实际意义。