涡扇发动机是飞机的重要组成部件,为确保其安全可靠的运行,航空公司需要付出很大代价进行维护和检修。在大数据和人工智能的背景下,基于数据驱动的剩余使用寿命（Remaining Useful Life,RUL）预测方法可以减少资源浪费和提高维修效率,因此获得了广泛关注。而其中基于深度学习的RUL预测不需要完全掌握设备相关的知识,仅使用多层神经网络就可以构建模型并提取退化特征,实现运行状态的健康评估,具有极高的研究价值。本文根据不同工作点下的涡扇发动机退化特征进行RUL预测研究,主要工作如下:首先,针对单工作点（Single-Operating Point,SOP）下涡扇发动机RUL预测问题,提出一种基于卷积神经网络（Convolutional Neural Networks,CNN）和长短期记忆网络（Long Short-Term Memory,LSTM）的融合模型,即CL（CNN-LSTM）。该模型将两种网络的优点相结合,克服了CNN对时间序列的低敏感性,解决了长序列下LSTM信息丢失的问题。最终通过实验表明,相较于传统的网络模型,CL的Score和RMSE分别下降了32%和6.4%,证实了CL拥有更高预测精度与稳定性。其次,发动机在多工作点（Multi-Operating Points,MOP）下运行时,其部件退化特性取决于时间及工况的变化,致使退化数据难以反映实际退化趋势。基于此,本文在CL模型的基础上引入自注意力机制（Self-Attention Mechanism,SAM）,即CNNLSTM-SAM（CLS）。SAM可依据CL模型提取的空间特征和时间特征的重要程度自适应分配权重,使模型准确地获取数据中关键时刻的信息,丢弃冗余时刻信息,进而提升预测的准确性。并使用C-MAPSS数据集将CLS模型与最近提出的网络算法进行对比验证,结果表明,CLS的Score和RMSE均有明显下降,降幅为23.2%和9.6%,证实了CLS预测结果更准确,预测稳定性更高。最后,在预测模型的研究基础上,设计了涡扇发动机剩余使用寿命预测系统,实现了预测过程的可视化。该系统可以使工作人员实时对涡扇发动机状态进行监测,从而制定合理的维修计划。