航空发动机是复杂度高、运行环境恶劣的高速旋转装备，其可靠性对飞机的安全性有重要影响，且发动机故障占飞机总故障比例较大。国际航空运输协会指出，2014年发动机维护费用占到飞机MRO（Maintenance， Repair and Overhaul）总费用的40%，达到248.4亿美元。航空发动机性能参数预测对于避免故障的发生具有重要意义，对后期的视情维修也具有支持作用。鉴于此，针对航空发动机气路参数预测中的数据预处理技术、基于集成学习机的点预测技术和区间预测技术进行了系统研究，开发了相应的工具，并采用发动机排气温度裕度序列对方法和工具进行验证。　　针对原始参数中存在粗大误差和噪声的问题，进行了气路参数预处理技术的研究。提出了基于EMD（Empirical Mode Decomposition）和SWFMH（Subfilter Weighted FIR Median Hybrid）的预处理方法：利用EMD提取序列趋势项，采用改进的最近相似距离延拓法抑制 EMD的端点效应，对去除趋势项的序列，采用拉依达准则进行粗大误差检测与处理；去除原始序列的粗大误差后，采用EMD方法得到其噪声主导模态并利用SWFMH算法对其去噪，重构完成预处理。开发了“预处理”工具，采用模拟序列和排气温度裕度序列验证了该方法和工具的有效性。　　针对单一学习模型预测气路参数的不适应性问题，进行了基于集成学习机的气路参数点预测技术的研究。提出了可用于集成学习机的动态加权核密度估计组合方法。选择测试样本的近邻样本，通过评估学习机在近邻样本的局部性能动态确定各学习机的权值，并基于该权值利用加权核密度估计实现数据序列的集成预测。该组合方法不易受离群值和样本不对称分布的影响。将该方法用于AdaBoost.RT和AdaBoost.R2算法，实验验证在标准测试集和排气温度裕度序列上较好地提高了预测精度。分析了基学习机数目对集成学习机预测精度的影响。开发了“点预测”工具。　　针对点预测结果难以表征气路参数的不确定性和发动机运行的潜在风险的问题，进行了气路参数区间预测技术的研究。提出了基于神经网络的自适应区间预测模型以预测在一定置信水平下气路参数的波动区间。将历史数据和趋势项作为网络的输入，利用和声搜索优化输出的构造控制参数以构造网络的输出。采用构造的训练集完成自适应区间预测网络的训练。该模型不需要点预测结果即可直接获得区间预测结果。开发了“区间预测”工具，通过实验验证了该模型预测结果的区间覆盖率和平均区间宽度优于文献方法。　　本文的研究对丰富时间序列预测方法和航空发动机性能参数预测（点预测和区间预测）方法具有理论意义，对提高气路参数预测精度、提高飞机安全性和降低运维成本具有实用价值。