航空发动机是飞机动力系统的核心组件,其可靠性和稳定性是航程安全的重要保障。由于长期处于高温高压的工作状态,发动机性能退化的现象无可避免。为兼顾安全风险的规避和维护成本的控制,建立有效的预测诊断与健康管理机制意义重大。得益于近年来机器学习领域的快速发展,利用数据挖掘技术预测发动机剩余可用寿命的研究方兴未艾。本文以航空发动机退化过程中多源性能参数的监测数据为源信息载体,将传统信号处理方法与数据驱动的算法相结合,设计出ES-XGBoost和ES-GRU-Attn（x）两种组合算法。实验部分深入讨论了所提算法在不同环节对预测性能提升的有效性,且通过与航空发动机寿命预测研究领域内其它代表性算法的对比,所提算法的优越性亦得以验证。本文主要研究内容和成果包括:1.性能参数监测信号的降噪方法研究。分别使用改进形式的指数平滑法和基于奇异值分解的去噪方法对原始信号进行减噪处理,提升数据质量。后续实验表明指数平滑对提升模型预测效果具有积极意义。2.剩余可用寿命标签设置方式研究。对普遍使用的分段线性模式提出改进思路,探索了一种基于健康指数退化曲线的标签设置方式。3.基于极限梯度提升（XGBoost）的航空发动机寿命预测方法研究。考虑到基于回归树的集成方法对高维特征输入的适应性,选用前沿算法XGBoost建立预测模型,并联合信号去噪与标签设置环节,以期提升预测效果。实验表明在分段线性标签设置下所提算法ES-XGBoost预测性能优异。4.基于门控递归单元（GRU）和注意力机制的航空发动机寿命预测方法研究。考虑到传统机器学习方法无法利用时序信息的缺陷,构建以GRU为基础的预测模型。针对循环神经网络中长期依赖丢失问题,引入注意力机制,并根据本文特征向量的数据组织特性对原注意力机制作适当改善。实验表明在分段线性标签设置下所提算法ES-GRUAttn（x）预测效果上佳。