飞机的飞行安全与一些关键部件的健康状态息息相关,如执行器、传感器和发动机等。不同故障模式以及故障源对飞机的影响程度不同,后续也需要根据故障信息进行决策,因此及时准确的故障信息对飞机健康和安全至关重要。执行器和油门处于飞行控制闭环中,故障的表达受控制系统调控,同时还有环境的不确定干扰,给检测与分析带来了挑战。本文以执行器、舵机位置传感器、发动机为研究对象,着重信息的故障表征,研究关键部件的健康状态。主要研究内容和创新有:建立了飞机和飞行环境的仿真模型。传统的执行器故障诊断方法不考虑执行器位置信号的正确性,本文针对执行器及其位置传感器建立了单故障和组合故障模型。收集了飞机发动机正常状态和异常状态的声音。建立了健康状态检测的总体框架,对正常和故障状态下的响应特性进行分析。基于残差信号对执行器及其传感器的健康状态进行快速检测,然后利用神经网络强大的学习能力进一步分析故障模式和故障源。针对传统卷积神经网络在时间关联性上学习能力弱的缺陷,本文提出了局部拓扑的卷积神经网络提高网络的时序处理能力。同时,本文引入了迁移学习理论提高网络对不同飞行状态的适应能力。仿真实验表明,针对执行器及其位置传感器,本文方法能准确识别故障类别和故障源;相比于其他主流的数据驱动方法,具有更高的准确率和查全率。基于声音信号对发动机异常状态进行检测。提取了丰富的时域频域声音特征,建立了发动机声音的高斯混合模型。但特征维数和相关性问题使模型参数估计不理想,对此本文提出了改进流形约束算法,计算高维特征在低维流形中的嵌入,使特征维数降低的同时充分保留有用信息。仿真实验表明,高斯混合模型能很好描述发动机声音的概率密度分布;与传统降维方法相比,本文方法识别发动机异常的准确率更高,识别效果也更稳定。根据严酷度和劣化度对飞机进行总体的健康评估,对检测、诊断和评估环节进行系统设计,开发了一套飞机健康状态检测和分析的软件,为算法的设计与应用提供良好平台。