航空发动机热障涂层（TBC）作为关键防护材料,其工作环境恶劣一旦剥落失效,将会引起金属部件局部超温、烧损,严重影响飞行安全。研究TBC失效机理并有效预测其服役寿命,是保障航空发动机叶片安全服役的关键。本文针对现有TBC寿命研究方法主要依赖人工经验和公式推导导致效率低下的不足,将深度学习引入到TBC寿命研究中,通过研究TBC界面形貌特征,提取其中包含的寿命信息,采用卷积神经网络（CNN）实现对TBC寿命的判断,主要完成了以下工作:（1）针对现有CNN在训练TBC这种的形貌组织结构复杂图像时训练时间长、易过拟合和准确率低等的问题,提出一种Adap-Alex算法。Adap-Alex首先针对现有CNN结构深度过深、参数过多的问题调整其感受野大小、步长及其他参数设置;其次针对学习率固定导致学习速度低的问题,对不同学习率参数优化方法进行对比实验得出其优化方法;最后为了提升准确率,设计了一种自适应池化方法。（2）对改进算法使用测试数据集测试结果表明:在MNIST数据集上,Adap-Alex平均训练时间比Alex-Net快1009s,比VGG-Net快1981s,测试最高准确率比Alex-Net高9.81%,比VGG-Net高4.15%;在CIFAR-10数据集上,Adap-Alex平均训练时间比Alex-Net 快 1002s,比 VGG-Net 快 2218s,测试最高准确率比 Alex-Net 高 13.77%,比 VGG-Net高 3.33%。（3）通过热振实验获取TBC数据,对数据进行处理后制作了 TBC数据集,使用Adap-Alex 在自制 TBC 数据集上验证其有效性,结果表明:当算法类型相同时,热振次数越多测试准确率大都越高。Adap-Alex的平均训练时间相比于VGG-Net与Alex-Net明显缩短,其平均训练时长分别快125s、685s;在相同的热振次数下,Adap-Alex的测试准确率比Alex-Net、VGG-Net高,Adap-Alex更易识别出涂层,具有更强的优势,且在热振数次为300次时结果最好,准确率达到了 93%。