航空发动机零部件众多,复杂的工况条件使得航空发动机更容易发生故障。随着运行时间的增加,航空发动机的性能出现衰退趋势,其可靠性会不断下降,若不能及时发现发动机的潜在故障,可能造成航空事故等重大灾难。对航空发动机进行故障诊断和性能预测是减少由于故障导致的灾难性事故、降低维修成本的有效手段,也是航空领域的重要研究课题之一。本文采用数据驱动的方法,在复杂工况下研究了航空发动机的故障模式诊断和性能参数预测方法,具体如下:（1）针对多工况下航空发动机的监控数据变化更加复杂且传统机器学习算法需使用特征提取技术提高诊断精度的问题,本文提出了一种航空发动机故障模式诊断方法（EFMC）,该方法使用了一维卷积神经网络模型（One-Dimensional Convolutional Neural Network,1D-CNN）。首先,根据工况参数类型将发动机监控数据分别进行标准化处理。然后,通过1D-CNN中的卷积层和池化层提取原始传感器监测数据中的退化特征、全连接层将所有退化特征进行综合,得到故障模式分类结果。最后,通过与支持向量机、双向长短期记忆网络以及长短期记忆网络（Long Short-Term Memory,LSTM）与注意力机制结合的模型进行比较,验证EFMC方法具有较高的诊断精度。（2）针对航空发动机关键性能参数会影响其衰退变化且完整数据不易获得的问题,本文提出了一种航空发动机性能参数预测方法（SEMP）,该方法使用了贝叶斯岭回归模型。在预测参数之前,结合局部异常因子算法（Local Outlier Factor,LOF）剔除异常值,进一步提高预测精度。最后,通过与岭回归、K最近邻、极限学习机、LSTM和门控循环单元网络的预测精度对比,说明SEMP方法具有较高的预测精度。本文使用C-MAPSS数据集对所提出的方法分别进行实验验证和对比分析。实验结果表明,EFMC方法的诊断准确率达到99%,使用SEMP方法后决定系数R2达到0.99,优于其他比较的模型,对提高航空发动机运行可靠性有一定的工程开发与理论参考价值。