航空发动机是飞机、导弹等航空航天飞行器的动力装置,是航空装备的核心,更是国家战略必争的关键装备之一。在高速旋转的航空发动机系统中主轴轴承是最关键的零件之一,同时也是它的薄弱环节,据统计主轴轴承故障占飞机机械故障的60%以上,其运行状态直接影响着飞机的性能和飞行安全。因此,提高航空发动机轴承故障监测、诊断能力,尽早发现故障并制定相应的应对方案,对保障飞机安全可靠运行、降低维修费用、避免意外恶性事故的发生具有很重要的现实意义。航空发动机轴承的故障监测系统主要通过采集、分析轴承的状态信息并与正常状态相比较,判断轴承的运行状态、分析轴承的故障类型及位置、提供维修意见。航空发动机轴承的故障诊断主要涉及轴承状态信号的采集、状态特征参数集的构建以及智能模式识别三部分。本文主要从航空发动机轴承不同状态振动信号的最优特征参数矩阵的构建和智能识别方法两方面开展研究。在最优特征参数矩阵构建方面,本文首先应用常用的时域参数和频域参数构建原始特征参数矩阵；其次根据轴承故障振动信号具有非线性的特点,提出了一种改进的核主元分析和粗糙集理论相结合的特征参数约简方法,构建敏感性高、规律性好、可分性强的最优特征参数矩阵来全面表征轴承的运行状态。在智能故模式识别方法方面,本文首先将使用两个随机变量来描述系统的动态变化和各种变量之间的依赖关系、具有处理不完整或复杂大规模数据的离散隐马尔可夫模型(DHMM)应用的航空发动机轴承故障的智能诊断中；其次,针对Baum Welch算法训练DHMM的效果依赖DHMM初始模型的缺点,提出了一种遗传算法(GA)和DHMM相结合的智能诊断算法,将GA应用到对DHMM的B初值优化中,以避免DHMM训练过程中陷入局部最小值,从而提高DHMM的识别精度和训练速度；最后,将连续隐马尔可夫模型(CHMM)应用到航空发动机轴承故障的智能诊断中,CHMM采用连续的观测密度函数来模拟每个状态的观测矢量,避免了DHMM算法离散化训练样本所带来的误差。通过实验验证,证明了上述三种方法可有效地应用于航空发动机轴承故障的智能诊断中。最后,采用C#语言开发了基于混合核函数的KPCA-RS算法的最优特征参数构建子模块以及基于DHMM、GA改进DHMM和CHMM算法的智能识别模块,通过对各模块的测试证明所开发的各子模块可以应用于实验室的航空发动机轴承故障智能监测诊断系统,初步达到工程应用的目的。