航空发动机气路故障诊断技术是提高发动机安全可靠运行的重要途径,本文以某型双转子涡轴发动机为研究对象,将人工智算法应用于发动机气路故障诊断领域,研究了气路故障智能诊断技术。针对传统涡轴发动机自适应模型中,因线性模型与真实发动机不匹配而产生过大建模误差从而导致滤波精度低的问题,建立了体现涡轴发动机个体特性的动态身份证模型。首先建立了含气路部件健康因子的状态变量模型,基于卡尔曼滤波算法设计了状态估计器,构建了涡轴发动机自适应模型。在此基础上,提出了基于OS-ELM的建模误差智能修正方法,建立了涡轴发动机自适应动态身份证模型。仿真结果表明,发动机自适应动态身份证模型可以实现对气路部件性能渐变退化以及突变故障的准确诊断。针对涡轴发动机典型气路故障模式识别问题,提出一种基于极限学习机的分层学习框架,利用多层基于极限学习机的稀疏自编码器对原始大数据样本提取稀疏特征,然后利用极限学习机算法进行特征分类。在构建涡轴发动机气路故障智能诊断框架时,引入了表征发动机近期性能状态的性能基线模型,考虑了发动机在性能降级情况下的气路故障模式诊断问题。在Simulink平台上设计了基于分层极限学习机算法的涡轴发动机气路故障智能诊断平台,对典型故障模式进行诊断评估。仿真结果表明,在发动机健康状态以及性能降级状态下,气路故障智能诊断平台均能实现对典型故障模式的准确评估。针对涡轴发动机全寿命期内输出功率衰退预测问题,提出了一种含多层连续受限玻尔兹曼机（CRBMs）深度特征提取的相关向量回归（RVR）功率预测方法。首先对发动机气路部件测量数据进行重构,然后利用CRBMs深度网络提取数据深层特征,最后将特征数据作为RVR模型的输入,实现对输出功率的预测。仿真结果表明,提出的基于CRBMs-RVR的智能预测方法实现了对涡轴发动机输出功率衰退预测,提高了预测精度并且能够对预测结果提供概率分布。