随着现代科学技术的不断发展,飞机出行已经越来越普遍,航空发动机性能好坏直接影响到飞行的安全性,一旦出现故障,有可能造成重大的经济损失和人员伤亡。因此,开展航空发动机故障诊断研究对保障生命和财产安全具有重要意义。基于数据驱动的故障诊断方法已成为当前主流方法。本文以孪生神经网络为基础,重点针对小样本故障问题、首现故障问题、复合故障问题进行研究。针对小样本故障中样本数量缺乏以及强噪声干扰问题,研究基于孪生减元注意力网络的故障诊断方法;对于故障库中没有记录的首现故障难以准确诊断的问题,研究基于孪生神经网络自适应阈值的故障诊断方法;针对复合故障类型,考虑到故障之间有相互耦合的关系,研究基于深度孪生-卷积融合网络的故障诊断方法,具体方法如下:针对航空发动机中典型故障案例缺乏的小样本问题,提出基于孪生减元注意力网络的小样本故障诊断方法。将样本集合中的样本之间进行随机两两配对生成样本对,使输入数据从原来的样本变为新生成的样本对,实现样本量的扩增;针对强噪声干扰问题,在特征提取模块引入减元注意力机制,提高强噪声干扰下微弱故障特征的提取能力,并通过减元操作降低模型复杂度,缓解模型过拟合现象。最后,利用某航空公司发动机历史监测数据验证故障诊断方法的有效性。针对航空发动机在运行过程中有可能遭遇首次出现的故障,提出基于孪生神经网络自适应阈值的故障诊断方法。利用孪生神经网络计算同类样本相似度,利用Box-Cox变换将其转换成正态分布,再利用拉依达准则确定相似度阈值;基于孪生神经网络分析测试样本与训练样本相似程度,分别与各样本类型相似度阈值进行比较,对待测样本是否是首现样本做出判断。最后,利用某航空公司发动机历史监测数据验证所提方法的正确性。在航空发动机的滚动轴承故障中出现最多的情况是多故障耦合问题,因此提出基于深度孪生-卷积融合网络的复合故障诊断方法,基于故障之间的耦合关系,对孪生神经网络进行改进;将样本标签由原始的0/1标签转换为多维度标签;将融合特征作为深度卷积神经网络的输入,标签作为分类模式框架,实现复合故障诊断。最后,利用XJTU-SY数据集验证所提出的故障诊断方法的有效性。