民航发动机是民用飞机的主要动力来源与引气装置,其健康状态对飞行的安全性与经济性至关重要。为提高飞行的安全性与经济性,需及时准确地检测发动机气路异常。目前常用的气路异常检测方法主要包括解析模型方法与数据驱动方法。由于建模的不确定性与发动机系统的复杂性,基于解析模型的气路异常检测方法难以保证精度。随着监测手段的进步和大数据技术的发展,数据驱动的气路异常检测方法越来越受到关注。但由于发动机型号很多、监测数据内在规律复杂,监测参数数量众多、监测过程容易受诸多因素干扰,传统的浅层机器学习方法中常用的统计特征难以准确表征其气路健康状态,造成其气路异常检测精度不高。深度特征是对原始数据的高层次抽象表示,它可以较好地表示数据的内在规律,降低数据维度,减少次要信息与噪声的干扰。深度学习方法可以从原始数据中自动提取深度特征,实现端对端学习,提高异常检测效果。有效的深度学习往往依赖于大量的标签数据,然而实际工程中收集大量的标签数据往往代价高昂。迁移学习能够帮助深度学习克服上述困难,它可以将源域的深度特征知识迁移至目标域的深度特征中,帮助提取目标域的深度特征或增强其泛化能力。因此,本文以深度学习、迁移学习为理论基础探索基于深度特征的民航发动机气路异常检测方法,分别对间歇性气路异常检测、持续性气路异常检测、小样本下的气路异常检测以及无标签下的气路异常检测四个方面的科学问题和关键技术展开研究。间歇性气路异常是发动机实际运行过程中的常见异常,针对这类异常持续时间短的特点,选取采样频率较高的快速存取记录器(Quick Access Recorder,QAR)数据作为数据源,提出一种基于同机双发性能差异的发动机间歇性气路异常检测方法。针对QAR数据的深度特征提取容易受到变化的外界环境与工况干扰的问题,采用同机双发性能参数差异值作为模型输入。针对QAR数据包含部分噪声的特点,选取抗噪能力强的堆叠去噪自编码器对输入进行无监督特征学习来提取深度特征。经过真实的QAR数据验证,提出方法的异常检测性能优于对比方法。除了间歇性气路异常以外,发动机实际运行过程中的另一类常见异常是持续性气路异常。针对这类异常持续时间长且偏离正常的程度逐渐增加的特点,选取性能参数偏差值作为数据源,提出一种融合懒惰学习与卷积神经网络(Convolutional Neural Network,CNN)的发动机持续性气路异常检测方法。针对CNN提取的性能参数偏差值的深度特征对局域分布的表示能力不足的问题,将CNN与懒惰学习有机融合,发挥懒惰学习善于利用局域信息的优势,克服CNN模型以及懒惰学习方法固有的局限性。经过真实的性能参数偏差值数据验证,提出方法的异常检测性能优于单独的CNN模型或者懒惰学习方法。性能参数偏差值通常被发动机生产厂家牢牢掌握,一旦与它们的合作中断,航空公司将无法获取性能参数偏差值数据进行发动机持续性气路异常检测。为提高航空公司独立自主的持续性气路异常检测能力,选取飞机通信寻址与报告系统(Aircraft Communication Addressing and Reporting System,ACARS)报文作为数据源,提出一种基于分组卷积去噪自编码器的发动机持续性气路异常检测方法。针对高维ACARS报文数据的深度特征难以被有效提取的问题,该方法将所有的ACARS参数基于相关性划分为几个独立的变量组,并分别对每个变量组的ACARS报文数据提取其深度特征,之后融合形成特征向量。为降低对大量训练样本的需求,采用去噪自编码器对每个变量组的ACARS报文数据进行无监督特征学习,将学习获得的参数作为卷积特征映射参数。经过真实的ACARS报文数据验证,提出方法的异常检测性能优于对比方法,参数数量与时间成本明显降低。以上研究都假设气路状态监测数据比较充足,但是实际工程中某些型号的发动机引入时间较短或者数量较少导致其带有标签的气路状态监测数据较少,此时提取的深度特征往往泛化性不足。为此,在以上研究的基础上提出一种小样本条件下基于自适应fine-tuning的发动机气路异常检测方法。针对fine-tuning方法选取源域的随机性较大的问题,提出一种基于相似性度量的源型号发动机选择策略;针对fine-tuning方法中源域与目标域的深度特征相同假设的不合理性,提出一种深度特征迁移优化方法自适应地选择层迁移方案。经过真实的发动机气路状态监测数据验证,提出的方法能够在小样本条件下明显提升发动机气路异常检测性能。实际工程中某些型号的发动机由于未购买相关服务或不可预知原因导致其气路状态监测数据无标签,此时无法通过有监督学习方法提取深度特征。为此,在以上研究的基础上提出一种无标签条件下基于权重约束对抗判别领域自适应的发动机气路异常检测方法。通过分析气路异常检测任务的特点,在对抗领域自适应框架下选择了对抗判别领域自适应方法。针对气路状态监测数据较少导致目标型号气路异常检测模型的参数难以鲁棒地收敛至较优解的问题,在生成对抗损失函数中添加自定义权重约束项来改善目标模型参数优化的收敛性。通过真实的气路状态监测数据验证了该种无标签下的发动机气路异常检测方法的正确性。本文将深度学习、迁移学习的理论与方法引入到民航发动机气路异常检测中,对于丰富民航发动机气路异常检测技术体系和提高其运维管理水平具有一定的理论意义与应用价值,提出的方法与模型对于其他复杂装备的异常检测研究也具有一定的参考价值。