航空发动机气路故障诊断技术是发动机健康管理中十分重要的部分，是降低维修成本，保证飞行安全的重要手段。本文以某型涡扇发动机为研究对象，考虑航空发动机对象的特点，针对粒子滤波中存在的不足，提出改进算法，以提高航空发动机气路故障诊断的精度和突变故障反应速度。　　在航空发动机部件级模型的基础上，建立了用于航空发动机气路故障诊断的模型，分析了基于非线性滤波方法的航空发动机气路故障诊断原理。基于扩展卡尔曼滤波和粒子滤波进行航空发动机气路故障诊断的仿真研究，分析了扩展卡尔曼滤波和粒子滤波的优缺点。　　考虑航空发动机非线性、噪声非高斯的特点，针对粒子滤波存在粒子退化和贫化的问题，提出一种自适应神经网络权值调整粒子滤波算法。算法中增加了分裂和调整两个操作，引入自适应思想，根据粒子分布情况确定分裂和调整的粒子数目，进而根据粒子权重采用正态分布的方式进行分裂，采用 BP神经网络进行权值调整，缓解了粒子的退化和贫化，具有更强的自适应性能和跟踪能力。将算法用于航空发动机气路故障诊断，结果表明对于非高斯噪声具有良好的滤波性能，诊断精度提高26％以上，突变故障反应速度7倍以上。　　为了进一步提高诊断精度和反应速度，使得更多粒子结合观测信息得到优化，针对一般群智能优化粒子滤波只考虑单个粒子优化而忽略粒子分布、高维估计易陷入局部极小的问题，提出一种多策略教与学优化粒子滤波算法。算法结合航空发动机气路故障的特点，引入了优化判断条件，综合考虑单个粒子优化和粒子正态分布的特点，选取教与学优化算法对粒子分布进行优化，并结合粒子滤波的特点，改进了平均成绩的计算方式，引入了反向学习策略、随机多学习策略和小概率变异策略，提高了优化效率。与粒子滤波算法相比，航空发动机突变故障诊断精度提高47%以上、反应速度提高16倍以上，性能蜕化估计精度提高24%以上。　　针对航空发动机非线性模型计算时间长、智能优化粒子滤波算法在部分采样点不满足实时性的问题，提出一种极限学习机-模拟退火粒子滤波算法。引入了突变故障判断机制，在突变故障点，采用全状态粒子集优化粒子分布，提高突变故障反应速度；在非故障点和故障稳态点在采样后采用极限学习机构造航空发动机模型并采用模拟退火算法对粒子分布进行优化。结果表明该算法能够在每个周期内完成健康参数估计，满足实时性，且具有良好的非高斯性能，诊断精度提高27%以上，突变故障反应速度提高8倍以上。