涡扇发动机以其高推进效率和低耗油率在民用和军用航空领域有着广泛应用。然而,随着飞机对推进系统性能要求的提高,涡扇发动机结构愈加复杂,系统非线性和变量间耦合特性也相应增强,因此需要探索先进控制器设计方法以满足其性能和安全要求。近年来,随着人工智能技术的发展,基于数据驱动的控制器设计方法在航空发动机领域逐渐发展。因此,本文依托某部委重点项目“XX发动机基础问题研究”,针对某型涡扇发动机开展基于数据驱动的非线性控制器设计研究。主要研究内容包括:针对涡扇发动机直接控制器设计问题,提出了一种基于自适应增强的控制器设计方法。首先,将最小二乘支持向量机引入模型参考控制器设计架构,并基于凸优化方法完成控制器设计,从而保证了控制器的渐近收敛性。其次,采用多个基础控制器结合自适应增强算法,设计基于自适应增强的涡扇发动机控制器。仿真结果表明,该控制器设计可降低涡扇发动机稳态控制误差,由于引入自适应增强算法,有效抑制了过拟合。针对涡扇发动机多变量控制器设计问题,提出一种基于滑动模态变结构的控制方法。首先,分析了该型涡扇发动机控制参数、目标,确定了仿真工作点。其次,设计了涡扇发动机滑动模态控制器控制燃油流量和尾喷管面积,采用带饱和的幂次趋近律防止切换面抖振,通过鲸鱼优化算法（Whale Optimization Algorithm,WOA）优化增益和饱和边界层。硬件在环验证结果表明,该算法可保证实时性要求,稳态误差小于1%,具有良好控制性能。为了进一步提高涡扇发动机多变量控制器性能,本文提出了两种基于数据驱动的涡扇发动机多变量控制器设计方法。首先,提出了一种RBF神经网络滑模控制器,通过RBF神经网络对发动机系统不可测扰动做出实时补偿。仿真结果表明,所提方法能提高系统响应时间,相较经典滑模控制,稳态误差较小。其次,提出了一种因果卷积神经网络控制器,利用正则化降低过拟合,采用WOA优化初始权及学习率。仿真结果表明,所提方法可进一步降低稳态误差,满足涡扇发动机控制要求。