航空发动机的故障诊断技术是保障飞行安全,降低维护费用的重要手段。本文主要通过航空发动机气路参数时序随机过程分析,研究了发动机随机过程建模及其气路故障诊断技术。主要工作内容如下:本文主要采用一种自调整的模型辨识方法对非线性模型进行建模,根据发动机模型输入输出参数之间的气动热力学关系,设计一个非线性静态模块与一个线性动态模块串联构成维纳模型。灰箱维纳模型中非线性模块描述发动机参数间的静态映射关系,该静态关系可由实验参数直接获得,线性模块表述发动机参数间的动态特性,其中线性模块的时间常数考虑随发动机运行状况的变化而变化,采用快速留一核极限学习机离线建立不同运行状态下时间常数的自调整机制,通过与常规维纳模型、神经网络的对比,验证了本文设计的改进灰箱维纳模型在发动机气动热力参数随机过程建模的有效性。研究了基于离散和连续隐马尔可夫的发动机气路参数时间序列建模方法,将该随机模型方法用于发动机气路故障诊断中,验证其故障分类定位精度;研究主成分分析、核主成分分析与动态主成分分析方法在气路故障特征数据降维中的应用,将降维后的故障特征用于马尔可夫故障诊断模型中,设计了三种主成分-马尔可夫模型,对比分析了其在发动机气路故障诊断精度和时效上的影响,结果表明主成分分析能有效减少在线诊断时间,而核主成分分析-马尔可夫模型方法在精度和时效上具有最好的权衡。针对航空发动机部件健康状态预测的问题,提出了一种结合粒子群优化算法和隐半马尔可夫模型(HSMM)的气路性能预测方法,在隐半马尔可夫模型中引入了粒子群优化算法,以避免HSMM训练陷入局部极值,通过某型涡扇发动机气路性能预测的数字仿真实验,表明该方法具有较好的气路性能预测能力。