航空发动机预测与健康管理（PHM）技术是推动维修保障模式升级,实现发动机安全可靠运行、低成本维护的重要手段。诊断与预测作为PHM系统的核心组成部分,旨在实现发动机异常故障的准确诊断与隔离、健康状态的评估及预测,为运营管理与维修决策提供坚实的技术支持。本文围绕核自适应滤波理论,重点研究了基于数据驱动的航空发动机气路部件性能退化预测与故障诊断方法。针对单一预测模型难以完整地刻画时间序列隐含的复杂动态特性,提出了一种基于核函数组合的核自适应滤波在线时间序列预测方法。该方法建立基于不同类型核函数的子预测模型以进行联合预测,并采用加权求和的形式对子模型的预测结果进行融合,各个子模型的权值则根据组合模型的预测误差采用卡尔曼滤波算法进行动态实时调整,以期提高模型的在线适应能力。仿真结果表明,相比单一模型,组合模型能够更加有效地逼近复杂系统的动态过程,在预测精度方面具有显著的优势。为了量化与管理发动机内外部诸多不确定源对性能退化过程的影响,提出了一种基于粒子滤波与核递推最小二乘（KRLS）算法的航空发动机退化状态估计与预测方法。该方法首先采用主成分分析对多个传感器进行数据融合,构建刻画发动机性能退化的单维度综合健康指数;然后以健康指数真实值表征发动机隐含的退化状态,采用KRLS算法构建具有动态更新能力的状态方程,进而建立基于健康指数的状态空间退化模型;最后利用粒子滤波算法估计和预测退化状态,并给出剩余寿命预测值及其概率分布。案例分析结果表明,所提出的退化建模方法能够及时准确地跟踪发动机的性能退化轨迹,且随着观测信息的累积,剩余寿命预测结果的不确定性将逐渐降低。针对传统稀疏化方法改进KRLS算法时,因直接忽略部分训练样本的有效信息而导致模型精度降低的问题,提出一种基于冗余样本修正的稀疏KRLS（RSM-SKRLS）算法,选取对模型建立贡献较大的样本构建字典,同时冗余样本也将用于学习模型的递推更新,从而在不牺牲预测性能的条件下,获得精简的网络结构。进一步,提出一种基于模糊聚类与RSM-SKRLS算法的发动机剩余寿命预测方法,采用模糊聚类将整个训练集划分成若干子集,基于训练子集采用RSM-SKRLS算法以直接映射的方式建立预测子模型,以保证子模型的多样性,并按照测试样本与各子训练集的模糊隶属度大小设置子模型相应的权值。仿真结果表明,该方法比单一模型取得更好的预测精度。为了避免KRLS算法所构建的学习网络大小因训练样本规模的不断扩大而出现持续增长的现象,提出一种具有网络结构动态调整能力的KRLS（SDA-KRLS）算法,以对目标函数的影响大小评价核单元的优劣程度,并将其作为是否添加新核单元或者删除旧核单元的依据,进而实现网络结构的动态优化与精简,保证网络规模不超出上限值。设计基于SDA-KRLS算法的发动机气路故障模式分类器,其在全飞行包线范围内具有较高的诊断精度,且模型复杂度适中,满足在线故障诊断所需的实时性要求。针对KRLS算法所构建的学习模型属于静态前馈神经网络,在辨识复杂动态系统时存在局限性的问题,提出了一种动态储备池KRLS（DR-KRLS）算法,利用具有递归结构的动态储备池有效提取时间序列潜在的动态特性,并在此基础上采用KRLS算法进行建模预测,从而实现预测精度的显著提升。进一步,设计了基于DR-KRLS算法的航空发动机传感器在线故障诊断系统。基于DR-KRLS算法建立具有在线学习能力的传感器信号预测模型,预测值以概率分布的形式给出。在此基础上,结合切比雪夫不等式,提出了一种传感器故障阈值的自适应设置方法,以实现故障判别。仿真结果表明,该系统能够准确快速地检测出传感器偏置故障与漂移故障,并以较高的精度实现故障传感器信号的重构。