“以人为本、生命至上”的安全观是民航业发展的生命线,面向民航运行安全管控主动性、前瞻性和可控性的高质量发展要求,针对航空器核心动力部件,研究航空发动机性能异常检测新技术,对确保航空发动机性能的安全、平稳、可控有重要意义。本文针对深度学习理论在航空发动机性能数据异常检测研究领域存在的发动机性能数据特征表示困难、数据集不平衡、神经网络梯度退化和性能数据时序信息未有效利用等技术瓶颈进行研究,主要研究内容如下:（1）针对发动机性能数据参数种类众多、数据量庞大,特征表示困难问题,提出一种航空发动机性能数据图像化的高维数据预处理方法,引入RGB颜色空间理论,研究发动机性能数据值域与RGB颜色空间的映射关系,将高维度的性能参数数据转换为二维性能图像,并基于信息熵对二维性能图像信息损失进行分析,与传统的时频法对比验证,结果表明该图像化方法保留的纹理信息更多,损失更小。（2）针对深度学习在航空发动机性能异常检测中出现的数据不平衡问题,引入分形维数理论,定义二维性能图像纹理特征维数以表征性能图像纹理特征,提出基于高频次生长树的图像纹理片段划分方法,实现性能图像高、低频次纹理片段的精细划分,基于高频次纹理片段对应性能稳定状态,低频次纹理片段对应异常波动状态的合理假设,建立以高频次纹理片段为正常样本、低频次纹理片段为异常样本的航空发动机性能图像异常检测数据集,使得数据集中正常样本和异常样本的数量接近。（3）针对传统卷积神经网络梯度退化引发的精度降低问题,引入深度残差网络理论,设计基于深度残差网络的航空发动机性能异常检测模型,与传统卷积神经网络进行对比验证,结果表明了深度残差网络模型在航空发动机性能异常检测领域的优势,50层的深度残差网络模型检测准确率最高,达到88.37%。（4）针对深度残差网络难以提取发动机性能图像时序信息问题,引入长短期记忆网络理论,设计基于ResNet-LSTM航空发动机性能异常检测模型,实验结果表明,改进后的模型检测准确率达到92.15%,相比改进前检测模型提高了3.78%。