航空发动机作为飞机的动力来源,对其健康状态实现精准的把握对于保证飞机的安全运行和降低维修成本具有重大意义。性能预测作为PHM技术中关键的一部分,通过对性能参数的预测,能够辅助飞行员和维修人员制定合适的飞行和维修策略,保证安全性和经济性。航空发动机结构复杂且状态监控数据丰富,为深度学习技术的实施提供了数据基础和应用环境,因此本文以PHM理论为基础,采用深度学习技术对航空发动机的性能趋势和剩余寿命预测进行研究。首先,介绍了航空发动机状态监控技术,重点分析了状态监控中的EGT参数,明确了DEGT参数和EGTM参数的定义及其与航空发动机故障状态以及衰退状态之间的关系,说明了DEGT和EGTM对航空发动机健康状态的指示作用,进而确定DEGT和EGTM为研究对象。其次,考虑数据质量对预测结果的影响,对数据的预处理技术进行研究,提出了Grubbs异常点识别方法去除数据中的异常点;采用CEEMD方法对数据进行趋势分解,通过分析自相关函数波形的方法分离噪声,为后续建模提供数据基础。最后,介绍深度学习技术CNN,AE,LSTM原理及其适用问题,提出CNNLSTM和AE-LSTM两种网络模型。针对航空发动机性能趋势预测的问题,提出点对点预测、单步预测和多步滚动预测的研究方向,并采用上述两种网络模型进行预测。针对阈值比较和线性标注确定剩余寿命的方法存在的问题,提出基于聚类的自适应区间预测方法和基于衰退过程的剩余寿命标注方法,并通过CNN-LSTM网络模型做出验证。通过与其他方法的对比,说明了本文提出方法在性能预测和剩余寿命预测结果上更加准确。