由于航空发动机的故障检测适用于类不平衡学习,本文基于类不平衡学习方案,建立了一类支持向量机及最小二乘支持向量机的算法。此外,为满足航空发动机故障检测方案对鲁棒性、实时性的要求,在提升算法对异常值和噪声的鲁棒性、算法实时性等方面进行了相关研究,其主要内容如下:首先,用类不平衡学习中单分类的思想建立一类支持向量机的算法,针对异常值敏感的问题,在此基础上建立了基于修正的铰链损失函数的一类支持向量机。与铰链损失函数不同,修正的铰链损失函数是有界的,这会减少异常值带来的损失。另外从分配权重的角度看,修正的铰链损失函数提升了算法对异常值的鲁棒性。实验结果表明算法保证了航空发动机故障检测的性能,并提升了鲁棒性。然后,最小二乘支持向量机能有效处理均衡数据集的分类问题,然而,在针对类不平衡学习问题时,算法的性能不佳。针对航空发动机故障检测这种类不平衡问题,提出了给多数类和少数类误差分配不同的正则化参数的方案,构建的类不平衡学习下最小二乘支持向量机提升了航空发动机故障检测的性能。此外,和最小二乘支持向量机相似,类不平衡学习下的最小二乘支持向量机通过求解线性方程组降低了计算复杂度,但失去了稀疏性,这不利于满足航空发动机故障检测的实时性要求。为此采用迭代和约简策略相结合的方法,此法选出的支持向量数目较少,实现了算法的稀疏性,并降低测试时间,进而提升实时性。还用到Cholesky分解对矩阵求逆进行改进,提升了航空发动机故障检测的稳定性,同时保持了实时性。最后,发动机数据中存在异常值和噪声,因此提出模糊隶属度函数和类不平衡学习下的最小二乘支持向量机结合的方案,此方案有效提升故障检测时对异常值和噪声的鲁棒性。集成学习中建立的分类器性能高于单个分类器,则再结合装袋法,进一步提升模糊隶属度的最小二乘支持向量机的性能,实验表明算法性能优秀,更适用于航空发动机故障检测。