目前,民航发动机故障诊断方法在处理复杂的发动机数据时,往往需要结合工程师的经验,导致模型的效率较低,且诊断正确率有待提高。深度置信网络(Deep Belief Networks,DBN)属于典型的深度学习模型之一,可以挖掘数据的深层次特征。因此,本文结合发动机数据的特点,将DBN引入民航发动机故障诊断过程中,提出了3种基于DBN的民航发动机气路故障诊断方法。根据发动机数据特点,提出了基于DBN和支持向量机(Support Vector Machine,SVM)的故障分类模型。该模型先利用DBN对数据进行特征提取,然后利用SVM对数据进行分类。为进一步验证DBN-SVM模型的效果,应用发动机性能参数小偏差进行实验,结果表明DBN-SVM模型能够应用到民航发动机气路故障诊断中,且故障诊断结果较好。根据飞机通信寻址与报告系统(Aircraft Communications Addressing and Reporting System,ACARS)数据特点,构建了多维时序信息驱动的民航发动机气路故障诊断模型。根据发动机客户通知报告收集ACARS数据,考虑到ACARS数据存在粗大误差和随机噪声,本文采用格拉布斯准则与指数平滑方法进行数据预处理。而后考虑到ACARS数据属于多维时间序列,本文采用小波包变换与动态时间规整算法提取ACARS数据参数内的时序信息和参数间的相关信息。将两部分信息向量化后输入到DBN-SVM模型进行故障分类。实验结果表明,该模型能够对ACARS数据进行分类,且具有较高的分类准确率。在上述研究的基础上,考虑到正常样本与故障样本规模不均衡带来的影响,结合采样技术与集成学习技术,提出了不均衡样本驱动的民航发动机气路故障诊断框架。将前面章节的模型融合到该框架,可以得到点形式不均衡样本驱动的民航发动机气路故障诊断方法和序列形式不均衡样本驱动的民航发动机气路故障诊断方法。实验结果表明,上述模型与该框架结合后,样本的总体分类准确率以及故障样本的分类准确率均有所提高。基于本文研究的民航发动机气路故障诊断方法,结合航空公司对发动机气路故障诊断方法的需求,设计并开发了民航发动机气路故障诊断原型系统,为航空公司进行发动机气路故障诊断提供了技术和系统支持。