随着全球化的不断渗透,工业、航空、机械电子、医疗等领域的设备逐渐趋于自动化和复杂化,技术水平不断革新的同时也伴随着安全性与可靠性的严苛要求。尤其是在航空领域,系统各部分的性能状态直接影响飞机能否安全平稳的运行。预测和健康管理（Prognostics and Health Management,PHM）技术的出现对于提升各领域设备的安全性与可靠性具有重要意义。PHM技术的核心环节是剩余使用寿命（Remaining Useful Life,RUL）预测,能够保证维护策略的制定,实现预防性维护等目标。航空涡扇发动机是飞机系统最核心的部分,因此涡扇发动机剩余寿命预测具有极强的理论与实际意义。但由于其运行条件多样,内部结构复杂,传感器数据间具有高耦合度等特点,使得涡扇发动机的剩余寿命预测变得更具有挑战性。因此本文借助美国宇航局（National Aeronautics and Space Administration,NASA）提供的数据集,围绕涡扇发动机相关剩余寿命预测展开以下研究:（1）在发动机健康评估研究中,针对不同RUL标签构造方式影响发动机RUL预测效果的问题,提出了一种基于不同退化模式的涡扇发动机健康评估方法。首先,通过数学计算、区域阈值划分和建立传感器数据与真实RUL映射关系的方式分别构造不同退化模式下的涡扇发动机RUL标签;其次,分别融合传感器数据和三种RUL标签作为不同的输入样本;然后,构建基于残差卷积网络（ResCNN）的涡扇发动机RUL预测模型;最后,通过对比不同输入样本的RUL预测结果,表明基于分段线性RUL标签序列预测的均方根误差最小,验证了该退化模式下的RUL标签在一定程度上能够提高发动机健康评估的准确性,故将其作为最优标签序列,用于本研究中后续的标签处理方式。（2）针对涡扇发动机数据的冗余信息影响RUL预测精度的问题,提出一种基于强相关变量的双向长短时记忆（Bi-directional Long Short-term Memory,Bi-LSTM）网络的涡扇发动机RUL预测方法。该方法首先通过灰色关联度分析对发动机传感器数据进行特征筛选,选取强相关变量,其次利用滑动窗口扩充筛选后的数据;然后利用Bi-LSTM网络挖掘数据的深层关联性,并利用全连接层进行维度转换,获得回归结果;采用控制单一变量原则调整网络结构与超参数,进而建立基于强相关变量的Bi-LSTM涡扇发动机RUL预测模型。最后在涡扇发动机不同工况下的数据集上进行仿真实验,验证所提方法的预测效果,并在同一台发动机上对比所提方法与长短时记忆网络（Long Short-Term Memory,LSTM）、循环神经网络（Recurrent Neural Network,RNN）和 Bi-LSTM 的预测结果,分别从准确性、直观性、安全可靠性验证了所提方法的有效性。（3）针对单一 RUL预测网络预测精度不高的问题,提出一种基于深度学习集成模型的涡扇发动机RUL预测方法。首先通过卷积神经网络（Convolutional Neural Networks,CNN）提取发动机传感器数据的空间特征,并降低特征维度;其次利用Bi-LSTM网络对处理后的序列特征进行分析,并在每层网络后添加丢弃层（Dropout）防止网络过拟合;然后经过调整网络结构和超参数构建基于CNN-Bi-LSTM的涡扇发动机RUL预测模型;最后利用涡扇发动机数据集FD001上的所有发动机进行仿真实验,通过所提方法与CNN、LSTM和Bi-LSTM进行对比,结果表明所提方法的评价指标最小,误差分布更集中,低误差频次更多,验证了该方法可解决单一网络预测精度不高的问题,同时增强了 RUL预测的稳定性。