航空发动机的制造及全生命周期管理代表着一个国家的现代工业水平和科技水平。随着航空发动机设计与制造过程日益复杂,一方面,如果发动机功能失效,产生损失巨大,另一方面,发动机日常维护需求多变,保障成本也剧增。因此,能够比较精确评估航空发动机的退化状态,及剩余寿命（Remaining Useful Life,RUL）是解决以上问题的关键。传统的可靠性方法预测适用广,而精度低。失效机理方法精度高,但预测适用度窄。而本文提出的数据驱动方法,一方面能够有效利用航空发动机运行过程中产生的监测数据,适用程度较广,另一方面结合了大数据中机器学习等算法,有效的提升了方法的精确度。具体工作如下:（1）基于机器学习中的神经网络理论,搭建了一种降噪稀疏自编码器算法的航空发动机退化状态评估模型,该模型通过无监督方式训练发动机监测数据,可以有效提取数据特征,获得降维后每个时序的航空发动机健康值（Health Index,HI）,从而构建出发动机退化曲线,供发动机退化状态评估使用。本文基于NASA提供的CMAPSS航空发动机数据进行模型验证,与传统特征提取方法PCA、t-SNE比较,本文提出的方法具有更高的单调性和时间相关性指标。（2）提出了一种航空发动机剩余寿命预测流程。在已有数据库中,发动机基于历史监测数据进行剩余寿命预测。在实际运行过程中,发动机实时监测数据通过边缘计算约减成HI值数据,传输至数据中心,进行剩余寿命预测,与历史数据进行比对。（3）基于循环神经网络理论,分别搭建了长短期记忆网络（LSTM）及其变种门控循环单元（GRU）的航空发动机剩余寿命预测模型。该模型既可以将发动机监测数据作为输入进行预测,也可以将提取后的HI数据作为输入进行预测。同样基于CMAPSS航空发动机数据进行验证,与前人研究结果比较,本文提出的方法具有更高的预测精度。综上,本文提出的方法有效提取了航空发动机监测数据特征,排除了过多的人工干预,结果精确度高,同时也实现了退化状态评估和剩余寿命预测研究的联动。