航空发动机是飞机的动力装置,被誉为飞机的心脏,是一个国家科技、工业和国防实力的重要标志。随着国内航空发动机规模日益增大,技术集成度和系统复杂度持续上升,对先进的预测与健康管理技术（Prognostics and Health Management,PHM）提出迫切需求。目前国内航空发动机PHM普遍存在故障诊断效果不佳、寿命预测不准、维修决策不优、保障成本偏高、决策效率偏低等问题,对发动机PHM关键技术的研究提出了挑战。本文在分析研究PHM关键技术的发展现状以及未来发展趋势的基础上,结合我国航空发动机在实际健康管理中存在的问题和不足,从气路性能异常检测和剩余寿命预测两个方面展开深入研究,为解决我国航空发动机PHM关键技术中存在的不足提供理论支撑,也为开发先进的航空发动机PHM系统提供技术储备。本文的主要研究内容如下:针对航空发动机在运行过程难以获取准确标签信息的问题,提出了基于重优化深度自动编码器（Re-optimized Deep Auto Encoder,R-DAE）的航空发动机气路无监督异常检测方法。R-DAE将隐藏层特征以及对应的重构误差同时作为样本的最终特征,充分表达样本的特点。更重要的是,R-DAE中增加了样本筛选机制,使得可以更好地重构正常样本却难以重构异常样本,进一步增大正常与异常的重构误差的差异性。实例研究表明,基于R-DAE的航空发动机气路无监督异常检测方法在保证较低虚警率（小于10%）的情况下,异常检测正确率为78.79%,比基于传统DAE的无监督异常检测方法提升了18.2%。航空发动机气路故障样本少、故障指征不明显以及首现故障偶发等造成故障分类困难,为了提高气路故障分类的准确性,需要提取出故障样本的有效特征表示。本文将迁移学习引入到深度卷积自编码器（Convolutional Auto Encoder,CAE）的训练中,建立CAE迁移学习（Transfer-learning with CAE,TCAE）的发动机故障特征提取模型,以提取故障样本的有效特征表示,并在特征空间中采用元学习（Model-Agnostic Meta-Learning,MAML）策略,同时实现小样本故障和首现故障的准确分类。实例研究表明,在多故障类型条件下,基于TCAEMAML的航空发动机气路故障多分类方法能同时实现有效的小样本故障分类和首现故障分类,并且小样本和首现故障诊断正确率均在90%以上。为了提高航空发动机剩余寿命（Remain Useful Life,RUL）预测准确性,需要融合多个监控性能参数并且同时捕捉多维时序监控数据中的时序依赖性。本文提出了一种新的序列到序列的无监督深度学习模型—序列化更新重构的时序记忆自编码器,直接以多维时序数据为输入,同时实现时间上的累积和空间上的聚合,将表征发动机气路性能的多维时序监控数据进行有效融合,构建发动机气路性能状态指征HI（Health Index,HI）。而后,采用基于HI曲线相似性匹配的方法进行发动机剩余寿命预测。实例研究表明,所提出的方法能够实现发动机RUL的有效预测,并且提取的HI曲线具有较强的鲁棒性和稳定性。由于某些发动机进入衰退期后,性能衰退非常剧烈,需要快速预测出剩余寿命,确保飞行安全。针对该问题,提出了基于双-深度残差长短时记忆网络（Dual-Deep Residual Long Short-Term Memory,Dual-DRLSTM）的混合预测框架,一个DRLSTM用于建立发动机多维时序性能参数与状态标签的直接映射,实现目标发动机性能衰退起始点的有效检测;另一个DRLSTM直接建立发动机多维时序性能参数与剩余寿命的映射,实现发动机进入衰退期后的RUL快速有效预测,两个DRLSTM通过发动机性能衰退HI曲线相关联。实例研究表明,所提出的Dual-DRLSTM方法能够同时实现性能衰退拐点的准确检测和进入衰退后的剩余寿命快速有效预测,并且具有较好的稳定性。新机型机队、小机队收集的样本不足,导致建立剩余寿命预测模型困难。因此,提出了基于深度领域对齐-混淆网络（Deep Domain Alignment Confusion Networks,DDACN）的航空发动机跨状态RUL预测方法。该方法将样本充足的机队和样本不足的机队分别视为源域和目标域,同时集成域对齐和域混淆两个模块学习跨域不变性特征,充分减小领域差异影响,实现源域和目标域的信息共享,进而实现目标域发动机RUL的有效预测。实例研究表明,DDACN能够有效提升航空发动机跨状态RUL预测性能。