随着轴流压气机朝着更高单级压比和更少级数的方向发展,其叶片负荷日益增大,抗干扰能力随之下降。压气机进气通道气流非均匀（进口畸变）已成为诱发其内部气流流动失稳的重要因素之一,严重限制了轴流压气机的性能。因此,研究压气机失稳检测方法,在失稳发生初期给出失稳检测信号,进一步地选取适当的控制器来避免失稳现象的发展具有重要的实际意义。针对压气机失稳数据,本文基于确定学习理论和信息熵理论进行失稳数据的非线性特征提取和快速检测研究,并在LabVIEW平台开发了压气机失稳非线性特征提取和检测系统。具体工作如下:（1）基于确定学习理论和信息熵理论,对压气机流量数据进行非线性特征提取,获取其在不同运行状态下的数学特征,包括正常运行阶段、失稳先兆阶段以及完全失稳阶段。在确定学习理论中,数学特征以常值RBF神经网络权值的形式表示,并保存于离线模式库;在信息熵理论中,则表现为熵值的形式。（2）在提取非线性特征的基础上,选取l1范数衡量模式库中各个模式动态轨迹与压气机系统状态轨迹之间的相似性,并要求相似性最高的模式在一定持续的时长内保持其相似性,从而判别压气机是否进入失稳先兆或完全失稳的状态。同时,基于信息熵的方法结合滑动窗口设计方案,实现对压气机完全失稳的检测。结果表明,确定学习理论以及信息熵理论均能准确识别压气机的运行状态。（3）基于LabVIEW设计压气机失稳检测系统,并结合GPU Analysis Toolkit并行计算工具包优化计算过程,将原本由CPU模拟的并行计算转移至GPU中进行,克服了CPU无法胜任大规模并行计算的不足。结果表明,压气机失稳检测系统在大规模扩充模式库的情况下,仍能保持较高的并行计算效率。实现对压气机系统失稳现象的检测,对于提升压气机运行的安全性、稳定性,延长发动机的使用寿命具有重要的实际意义和工程应用价值。